![](/c49/99/10026487356351.jpg)
店鋪:機械工業出版社官方旗艦店 出版社:機械工業出版社 ISBN:9787111668299 商品編碼:10026487356351 品牌:機械工業出版社(CMP) 頁數:200 字數:235000 審圖號:9787111668299 作者:大衛·福賽斯,常虹
"![baecf198635367d9.jpg](https://img10.360buyimg.com/cms/jfs/t1/180445/28/6295/377762/60b0bd82E6c4ef32e/baecf198635367d9.jpg) 暫時沒有內容介紹,請見諒! 目錄 譯者序 前言 致謝 關於作者 *一部分分類 *1章學會分類2 1.1分類的主要思想2 1.1.1誤差率及其他性能指標2 1.1.2更詳細的評估3 1.1.3過擬合與交叉驗證4 1.2*近鄰分類5 1.3樸素貝葉斯7 1.3.1利用交叉驗證進行模型選擇9 1.3.2數據缺失11 編程練習11 *2章支持向量機和隨機森林14 2.1支持向量機14 2.1.1鉸鏈損失15 2.1.2正則化16 2.1.3通過隨機梯度下降來尋找分類器17 2.1.4λ的搜索19 2.1.5總結:用隨機梯度下降訓練20 2.1.6例子:利用支持向量機分析成人收入21 2.1.7利用支持向量機進行多類分類23 2.2利用隨機森林進行分類23 2.2.1構造決策樹25 2.2.2用信息增益來選擇劃分27 2.2.3森林29 2.2.4構造並評估決策森林29 2.2.5利用決策森林進行數據分類30 編程練習31 MNIST練習33 第3章學習理論初步35 3.1用留出損失預測測試損失35 3.1.1樣本均值和期望36 3.1.2利用切比雪夫不等式37 3.1.3一個泛化界37 3.2有限分類器族的測試誤差與訓練誤差38 3.2.1霍夫丁不等式39 3.2.2在有限預測器族上訓練39 3.2.3所需樣例數量40 3.3無限預測器集合41 3.3.1預測器和二值函數41 3.3.2對稱化43 3.3.3限制泛化誤差44 *二部分高維數據 第4章高維數據48 4.1概述及簡單繪圖48 4.1.1均值48 4.1.2杆圖和散點圖矩陣49 4.1.3協方差51 4.1.4協方差矩陣52 4.2維數災難53 4.2.1災難:數據不是你想像的那樣53 4.2.2維數的小困擾55 4.3用均值和協方差理解高維數據55 4.3.1仿射變換下的均值和協方差56 4.3.2特征向量及矩陣對角化56 4.3.3通過旋轉數據堆來對角化協方差矩陣57 4.正態分布58 4.4.1仿射變換與高斯模型59 4.4.2繪制二維高斯模型:協方差橢圓59 4.4.3描述統計與期望60 4.4.4維數災難的更多內容61 習題61 第5章主成分分析64 5.1在主成分上表示數據64 5.1.1近似數據團塊64 5.1.2例子:變換身高體重堆65 5.1.3在主成分上表示數據67 5.1.4低維表示中的誤差68 5.1.5用NIPALS算法提取若干主成分69 5.1.6主成分和缺失值70 5.1.7PCA作為平滑方法71 5.2例子:用主成分表示顏色72 5.3例子:用主成分表示人臉75 習題77 編程練習78 第6章低秩近似80 6.1奇異值分解80 6.1.1SVD和PCA81 6.1.2SVD和低秩近似82 6.1.3用SVD進行平滑82 6.2多維縮放83 6.2.1通過高維的距離選擇低維的點83 6.2.2使用低秩近似分解因子84 6.2.3例子:利用多維縮放進行映射85 6.3例子:文本模型和潛在語義分析87 6.3.1餘弦距離88 6.3.2對單詞計數進行平滑88 6.3.3例子:對NIPS文檔進行映射89 6.3.4獲得詞的含義90 6.3.5例子:對NIPS數據集的詞進行映射92 6.3.6TF*IDF93 習題94 編程練習95 第7章典型相關分析97 7.1典型相關分析算法97 7.2例子:在詞和圖片上進行CCA99 7.3例子:在反射率和遮光上進行CCA102 編程練習105 第三部分聚類 第8章聚類108 8.1聚合式聚類和拆分式聚類108 8.2k均值算法及其變體111 8.2.1如何選擇k的值114 8.2.2軟分配115 8.2.3高效聚類和層級式k均值117 8.2.4k中心點算法117 8.2.5例子:葡萄牙的雜貨117 8.2.6關於k均值算法的一些見解119 8.3用向量量化描述重復性120 8.3.1向量量化121 8.3.2例子:基於加速度計數據的行為123 編程練習126 第9章使用概率模型進行聚類130 9.1混合模型與聚類130 9.1.1數據團塊的有限混合模型130 9.1.2主題和主題模型132 9.2EM算法133 9.2.1例子——高斯混合:E步134 9.2.2例子——高斯混合:M步136 9.2.3例子——主題模型:E步136 9.2.4例子——主題模型:M步137 9.2.5EM算法的實踐137 習題140 編程練習140 第四部分回歸 *10章回歸144 10.1概述144 10.2線性回歸和*小二乘法146 10.2.1線性回歸146 10.2.2選擇β147 10.2.3殘差148 10.2.4R2149 10.2.5變量變換150 10.2.6可以相信回歸嗎152 10.3可視化回歸以發現問題153 10.3.1問題數據點具有顯著影響153 10.3.2帽子矩陣和杠杆155 10.3.3庫克距離156 10.3.4標準化殘差156 10.4很多解釋變量158 10.4.1一個解釋變量的函數158 10.4.2正則化線性回歸159 10.4.3例子:體重與身體測量值162 附錄數據165 習題165 編程練習168 *11章回歸:選擇和管理模型170 11.1模型選擇:哪種模型*好170 11.1.1偏差與方差170 11.1.2用懲罰機制選擇模型:AIC和BIC172 11.1.3使用交叉驗證選擇模型173 11.1.4基於分階段回歸的貪心搜索174 11.1.5哪些變量是重要的174 11.2魯棒回歸175 11.2.1M估計和迭代加權*小二乘176 11.2.2M估計的尺度178 11.3廣義線性模型179 11.3.1邏輯回歸179 11.3.2多類邏輯回歸180 11.3.3回歸計數數據181 11.3.4離差181 11.4L1正則化和稀疏模型182 11.4.1通過L1正則化刪除變量182 11.4.2寬數據集185 11.4.3在其他模型上使用稀疏懲罰186 編程練習187 *12章Boosting190 12.1貪心法和分階段回歸法190 12.1.1例子:貪心分階段線性回歸190 12.1.2回歸樹192 12.1.3基於樹的貪心分階段回歸193 12.2Boosting分類器196 12.2.1損失196 12.2.2分階段降低損失的一般方法197 12.2.3例子:Boosting決策樹樁198 12.2.4決策樹樁的梯度提升199 12.2.5其他預測器的梯度提升200 12.2.6例子:醫生會開阿片類藥物嗎201 12.2.7用lasso修剪提升的預測器202 12.2.8梯度提升軟件204 習題206 編程練習207 第五部分圖模型 *13章隱馬爾可夫模型210 13.1馬爾可夫鏈210 13.1.1轉移概率矩陣212 13.1.2穩態分布214 13.1.3例子:文本的馬爾可夫鏈模型216 13.2隱馬爾可夫模型與動態規劃218 13.2.1隱馬爾可夫模型218 13.2.2用網格圖圖解推斷過程219 13.2.3基於動態規劃的推斷過程222 13.2.4例子:校正簡單文本錯誤222 13.3隱馬爾可夫模型的學習過程224 13.3.1當隱狀態有明確語義信息時225 13.3.2基於EM的隱馬爾可夫模型學習過程225 習題228 編程練習229 *14章學習序列模型的判別式方法232 14.1圖模型232 14.1.1推斷與圖232 14.1.2圖模型234 14.1.3在圖模型中的學習235 14.2用於序列的條件隨機場模型235 14.2.1MEMM和標簽偏置236 14.2.2條件隨機場模型237 14.2.3學習CRF時需要留心238 14.3CRF的判別學習239 14.3.1模型的表示239 14.3.2例子:數字序列建模240 14.3.3建立學習問題241 14.3.4梯度計算241 習題243 編程練習243 *15章平均場推斷245 15.1有用卻難解的模型245 15.1.1用玻爾茲曼機為二值圖像去噪246 15.1.2離散馬爾可夫隨機場246 15.1.3基於離散馬爾可夫隨機場的去噪和分割247 15.1.4離散馬爾可夫場的MAP推斷可能很難249 15.2變分推斷250 15.2.1KL散度250 15.2.2變分自由能251 15.3例子:玻爾茲曼機的變分推斷251 第六部分深度網絡 *16章簡單神經網絡256 16.和分類256 16.1.1來構建一個分類器:代價函數256 16.1.2來構建一個分類器:決策 258 16.1.3來構建一個分類器:訓練258 16.2例子:信用卡賬戶分類260 16.3層和網絡264 16.3.1堆疊層264 16.3.2雅可比矩陣和梯度265 16.3.3構建多層266 16.3.4梯度和反向傳播267 16.4訓練多層網絡269 16.4.1軟件環境270 16.4.2Dropout和271 16.4.3例子:再論信用卡賬戶271 16.4.4*級技巧:梯度縮放273 習題276 編程練習277 *17章簡單圖像分類器278 17.1圖像分類278 17.1.1基於卷積的模式檢測279 17.1.2卷積層的堆疊283 17.2兩個實用的圖像分類器284 17.2.1例子:MNIST數據集分類285 17.2.2例子:CIFAR*10數據集分類288 17.2.3異類:對抗樣本292 編程練習293 *18章圖像分類與物體檢測294 18.1圖像分類295 18.1.1物體圖像分類數據集295 18.1.2場景圖像分類數據集296 18.1.3增廣和集成297 18.1.4AlexNet298 18.1.5VGGNet299 18.1.6批歸一化301 18.1.7計算圖302 18.1.8Inception網絡302 18.1.9殘差網絡303 18.2物體檢測305 18.2.1物體檢測如何工作305 18.2.2選擇性搜索306 18.2.3R*CNN、Fast R*CNN和Faster R*CNN307 18.2.4YOLO309 18.2.5評價檢測器310 18.3延伸閱讀312 習題313 編程練習313 *19章大信號的小碼表示315 19.1更好的低維映射315 19.1.1薩蒙映射316 19.1.2T*SNE317 19.2產生低維表示的映射319 19.2.1編碼器、解碼器和自編碼器319 19.2.2令數據塊變得更大320 19.2.3去噪自編碼器322 19.3從例子中產生圖像325 19.3.1變分自編碼器326 19.3.2對抗損失:愚弄分類器327 19.3.3利用測試函數來匹配分布328 19.3.4通過查看距離來匹配分布329 編程練習330
" |