统计学习理论基础

本书特色

[

全书共包含18个章节,从概率密度、贝叶斯决策理论引入样本学习的基本概念,进而介绍了近邻域学习、核学习及神经网络学习,在此基础上探讨了PCA学习、VC维概念、函数估计问题等,后重点介绍了非常实用的支持向量机SVM及Boosting方法。各章均包含小结、附录、习题及参考资料,非常适合于大专院校计算机及电气工程类硕博士研究生及高年级学生作为教学参考书。

]

目录

目录译者序前言第1章引言:分类、学习、特征及应用1��1范围1��2为什么需要机器学习?1��3一些应用1��3��1图像识别1��3��2语音识别1��3��3医学诊断1��3��4统计套利1��4测量、特征和特征向量1��5概率的需要1��6监督学习1��7小结1��8附录:归纳法1��9问题1��10参考文献第2章概率2��1一些基本事件的概率2��2复合事件的概率2��3条件概率2��4不放回抽取2��5一个经典的生日问题2��6随机变量2��7期望值2��8方差2��9小结2��10附录:概率诠释2��11问题2��12参考文献第3章概率密度3��1一个二维实例3��2在[0,1]区间的随机数3��3密度函数3��4高维空间中的概率密度3��5联合密度和条件密度3��6期望和方差3��7大数定律3��8小结3��9附录:可测性3��10问题3��11参考文献第4章模式识别问题4��1一个简单例子4��2决策规则4��3成功基准4��4*佳分类器:贝叶斯决策规则4��5连续特征和密度4��6小结4��7附录:不可数概念4��8问题4��9参考文献第5章*优贝叶斯决策规则5��1贝叶斯定理5��2贝叶斯决策规则5��3*优及其评论5��4一个例子5��5基于密度函数的贝叶斯定理及决策规则5��6小结5��7附录:条件概率的定义5��8问题5��9参考文献第6章从实例中学习6��1概率分布知识的欠缺6��2训练数据6��3对训练数据的假设6��4蛮力学习方法6��5维数灾难、归纳偏置以及无免费午餐原理6��6小结6��7附录:学习的类型6��8问题6��9参考文献第7章*近邻规则7��1*近邻规则7��2*近邻规则的性能7��3直觉判断与性能证明框架7��4使用更多邻域7��5小结7��6附录:当人们使用*近邻域进行推理时的一些问题7��6��1谁是单身汉?7��6��2法律推理7��6��3道德推理7��7问题7��8参考文献第8章核规则8��1动机8��2*近邻规则的变体8��3核规则8��4核规则的通用一致性8��5势函数8��6更多的通用核8��7小结8��8附录:核、相似性和特征8��9问题8��10参考文献第9章神经网络:感知器9��1多层前馈网络9��2神经网络用于学习和分类9��3感知器9��3��1阈值9��4感知器学习规则9��5感知器的表达能力9��6小结9��7附录:思想模型9��8问题9��9参考文献第10章多层神经网络10��1多层网络的表征能力10��2学习及S形输出10��3训练误差和权值空间10��4基于梯度下降的误差*小化10��5反向传播10��6反向传播方程的推导10��6��1单神经元情况下的推导10��6��2多层网络情况下的推导10��7小结10��8附录:梯度下降与反射平衡推理10��9问题10��10参考文献第11章可能近似正确(PAC)学习11��1决策规则分类11��2来自一个类中的*优规则11��3可能近似正确准则11��4PAC学习11��5小结11��6附录:识别不可辨元11��7问题11��8参考文献第12章VC维12��1近似误差和估计误差12��2打散12��3VC维12��4学习结果12��5举例12��6神经网络应用12��7小结12��8附录:VC维与波普尔(Popper)维度12��9问题12��10参考文献第13章无限VC维13��1类层次及修正的PAC准则13��2失配与复杂性间的平衡13��3学习结果13��4归纳偏置与简单性13��5小结13��6附录:均匀收敛与泛致性13��7问题13��8参考文献第14章函数估计问题14��1估计14��2成功准则14��3*优估计:回归函数14��4函数估计中的学习14��5小结14��6附录:均值回归14��7问题14��8参考文献第15章学习函数估计15��1函数估计与回归问题回顾15��2*近邻规则15��3核方法15��4神经网络学习15��5基于确定函数类的估计15��6打散、伪维数与学习15��7结论15��8附录:估计中的准确度、精度、偏差及方差15��9问题15��10参考文献第16章简明性16��1科学中的简明性16��1��1对简明性的明确倡导16��1��2这个世界简单吗?16��1��3对简明性的错误诉求16��1��4对简明性的隐性诉求16��2排序假设16��2��1两种简明性排序法16��3两个实例16��3��1曲线拟合16��3��2枚举归纳16��4简明性即表征简明性16��4��1要确定表征系统吗?16��4��2参数越少越简单吗?16��5简明性的实用理论16��6简明性和全局不确定性16��7小结16��8附录:基础科学和统计学习理论16��9问题16��10参考文献第17章支持向量机17��1特征向量的映射17��2间隔*大化17��3优化与支持向量17��4实现及其与核方法的关联17��5优化问题的细节17��5��1改写分离条件17��5��2间隔方程17��5��3用于不可分实例的松弛变量17��5��4优化问题的重构和求解17��6小结17��7附录:计算17��8问题17��9参考文献第18章集成学习18��1弱学习规则18��2分类器组合18��3训练样本的分布18��4自适应集成学习算法(AdaBoost)18��5训练数据的性能18��6泛化性能18��7小结18��8附录:集成方法18��9问题18��10参考文献

封面

统计学习理论基础

书名:统计学习理论基础

作者:桑吉夫.库尔卡尼

页数:169

定价:¥43.0

出版社:机械工业出版社

出版日期:2017-03-01

ISBN:9787111555223

PDF电子书大小:104MB 高清扫描完整版

百度云下载:http://www.chendianrong.com/pdf

发表评论

邮箱地址不会被公开。 必填项已用*标注