新書推薦：
《
先跳了再说： 仓本聪的工作与生活哲学
》
售價：HK$
67.2
《
抗焦虑饮食（赠实践手册）
》
售價：HK$
106.8
《
生活不是掷骰子：理性决策的贝叶斯思维
》
售價：HK$
82.8
《
万有引力书系·基辅罗斯：东斯拉夫文明的起源
》
售價：HK$
141.6
《
康熙的红票：全球化中的清朝
》
售價：HK$
93.6
《
PyTorch语音识别实战
》
售價：HK$
82.8
《
多卖三倍
》
售價：HK$
54.0
《
哲学思维：清晰思考的12条关键原则
》
售價：HK$
82.8
|
| 內容簡介： |
|
本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识，包括均方、zui小二乘和zui大似然方法，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
|
| 關於作者： |
|
西格尔斯·西奥多里蒂斯（Sergios Theodoridis） 雅典大学教授，香港中文大学（深圳）教授，研究兴趣包括机器学习、模式识别和信号处理等。他是IEEE Fellow、IET Fellow、EURASIP Fellow，曾任IEEE信号处理协会副主席、EURASIP主席以及IEEE Transactions on Signal Processing主编。曾获2017年EURASIP Athanasios Papoulis奖，2014年IEEE信号处理杂志论文奖，以及2014年EURASIP有价值服务奖等。此外，他还是经典著作《模式识别》的作者。
|
| 目錄：
|
|
译者序前言致谢作者简介符号说明第1章 引言1 1.1 历史背景1 1.2 人工智能与机器学习1 1.3 算法能学习数据中隐藏的东西3 1.4 机器学习典型应用4 1.4.1 语音识别4 1.4.2 计算机视觉4 1.4.3 多模态数据5 1.4.4 自然语言处理5 1.4.5 机器人5 1.4.6 自动驾驶5 1.4.7 未来的挑战5 1.5 机器学习的主要方向6 1.5.1 监督学习6 1.6 无监督和半监督学习8 1.7 本书结构和路线图9 参考文献11第2章 概率和随机过程13 2.1 引言13 2.2 概率和随机变量13 2.2.1 概率13 2.2.2 离散随机变量14 2.2.3 连续随机变量16 2.2.4 均值和方差16 2.2.5 随机变量变换18 2.3 分布示例19 2.3.1 离散变量19 2.3.2 连续变量21 2.4 随机过程27 2.4.1 一阶和二阶统计量28 2.4.2 平稳性和遍历性29 2.4.3 功率谱密度31 2.4.4 自回归模型35 2.5 信息论38 2.5.1 离散随机变量38 2.5.2 连续随机变量41 2.6 随机收敛42 2.6.1 处处收敛43 2.6.2 几乎处处收敛43 2.6.3 均方意义下的收敛43 2.6.4 依概率收敛43 2.6.5 依分布收敛43 习题44 参考文献45第3章 参数化建模学习：概念和方向46 3.1 引言46 3.2 参数估计：确定性观点46 3.3 线性回归49 3.4 分类52 3.4.1 生成和判别学习54 3.5 有偏估计与无偏估计55 3.5.1 选择有偏还是无偏估计56 3.6 克拉美-罗下界57 3.7 充分统计量60 3.8 正则化61 3.8.1 逆问题：病态和过拟合63 3.9 偏差-方差困境65 3.9.1 均方误差估计65 3.9.2 偏差-方差权衡66 3.10 似然法69 3.10.1 线性回归：非白高斯噪声实例71 3.11 贝叶斯推断71 3.11.1 后验概率估计方法74 3.12 维数灾难75 3.13 验证76 3.13.1 交叉验证77 3.14 期望损失函数和经验风险函数78 3.14.1 可学习性79 3.15 非参数建模和非参数估计79 习题80 参考文献83第4章 均方误差线性估计85 4.1 引言85 4.2 均方误差线性估计：正规方程85 4.2.1 代价函数曲面86 4.3 几何观点：正交性条件87 4.4 扩展到复值变量89 4.4.1 宽线性复值估计90 4.4.2 复值变量优化：沃廷格微积分93 4.5 线性滤波94 4.6 均方误差线性滤波：频率域观点96 4.6.1 反卷积：图像去模糊96 4.7 一些典型应用98 4.7.1 干扰抵消98 4.7.2 系统辨识99 4.7.3 反卷积：信道均衡100 4.8 算法方面：莱文森算法和格-梯算法105 4.8.1 前向后向均方误差预测106 4.8.2 格-梯方案109 4.9 线性模型均方误差估计111 4.9.1 高斯-马尔可夫定理113 4.9.2 约束线性估计：波束成形实例115 4.10 时变统计：卡尔曼滤波118 习题123 参考文献125第5章 随机梯度下降：LMS算法族127 5.1 引言127 5.2 速下降法127 5.3 应用于均方误差代价函数130 5.3.1 时变步长135 5.3.2 复值情形135 5.4 随机逼近136 5.4.1 在均方误差线性估计中的应用138 5.5 小均方自适应算法139 5.5.1 平稳环境中LMS算法的收敛和稳态性能140 5.5.2 累积损失上界144 5.6 仿射投影算法145 5.6.1 APA的几何解释147 5.6.2 正交投影148 5.6.3 归一化LMS算法149 5.7 复值情形150 5.7.1 宽线性LMS151 5.7.2 宽线性APA151 5.8 LMS同族算法152 5.8.1 符号误差LMS152 5.8.2 小均四次方算法152 5.8.3 变换域LMS153 5.9 仿真示例155 5.10 自适应判决反馈均衡157 5.11 线性约束LMS159 5.12 非平稳环境中LMS算法的跟踪性能160 5.13 分布式学习：分布式LMS162 5.13.1 协同策略163 5.13.2 扩散LMS164 5.13.3 收敛和稳态性能：一些重点169 5.13.4 基于共识的分布式方法171 5.14 实例研究：目标定位172 5.15 一些结论：共识矩阵174 习题174 参考文献177第6章 小二乘算法族181 6.1 引言181 6.2 小二乘线性回归：几何视角181 6.3 小二乘估计的统计特性183 6.3.1 LS估计是无偏估计183 6.3.2 LS估计的协方差矩阵183 6.3.3 白噪声下LS估计是线性无偏估计184 6.3.4
|
| 內容試閱：
|
|
机器学习（machine learning）这个名字正受到越来越多的关注，它涵盖数十年来在不同科学领域中研究和开发的很多方法，这些方法有着不同的名字，如统计学习、统计信号处理、模式识别、自适应信号处理、图像处理与分析、系统辨识与控制、数据挖掘与信息检索、计算机视觉以及计算学习。“机器学习”这个名字指出了所有这些学科的共同之处，即从数据中学习（learn from data）然后做出预测（make prediction）。人们尝试通过构造一个模型（model）来从数据中学习其深层结构和规律，而这个模型即可用于预测。为此，人们已经提出了从代价函数优化（其目标是优化观测到的数据结果与模型预测结果间的偏差）到概率模型（试图对观测到的数据的统计特征进行建模）等许多不同的方法。本书的目标是通过介绍多年来研究者所遵循的主要路线和方法来营造一体式的学习体验，引导读者逐步探究机器学习领域。我并不倾向于某种特定的方法，因为我相信无论是从应用角度还是从教学角度看，所有方法对希望探索机器学习奥秘的初学者而言都是有价值的。如书名所示，本书重点关注机器学习的处理和分析，而非机器学习理论本身及相关的性能界限。换句话说，我们重点关注更靠近应用层的方法和算法。本书是我超过30年的相关研究经验和相关课程教学经验的结晶。本书的写作方法是令每一章（或相邻两章）尽可能独立成篇。这样，教师就可以根据需要选择、组合某些章节以构成其课程的重点，普通读者也可以在首次阅读时根据需要有选择地精读某些章节。在第1章中，我将给出针对不同课程使用本书的一些指导。本书每章都从基本概念和基本方法开始，逐渐深入一些新进展。某些主题需要分为两章，例如稀疏感知学习、贝叶斯学习、概率图模型以及蒙特卡罗方法。本书能满足高年级本科生、研究生的学习需求，也适合不满足于黑盒解决方案的科学家与工程师阅读。此外，本书也能作为特定主题短期课程的教材或参考书，例如稀疏建模、贝叶斯学习、概率图模型、神经网络和深度学习等主题。第2版重要更新本书的第1版出版于2015年，涵盖2013~2014年机器学习领域的进展。这几年恰逢深度学习领域研究真正蓬勃发展的开端，深度学习重塑了我们的相关知识，并彻底改变了机器学习领域。大体来说，第2版的重点是重写第18章。现在这一章对该领域做了全面回顾，包括从早期的感知机和感知机规则直到新的研究进展，诸如卷积神经网络（CNN）、循环神经网络（RNN）、对抗样本、生成对抗网络（GAN）和胶囊网络等。此外，第2版涵盖更广泛和详细的非参数贝叶斯方法，如中国餐馆过程（CRP）和印度自助餐过程（IBP）。我相信贝叶斯方法在未来的几年里会越来越重要。当然，谁也不能保证这一定会发生。然而，我认为不确定性将是未来模型的重要部分，而贝叶斯技术至少在原则上是一个合理的入手点。关于其他章节，除修正拼写错误之外，也根据学生、同事和评阅人的建议，改写了一些内容以使本书更易于阅读。在此深深地感谢他们。本书大部分章节包含MATLAB练习，相关代码可从本书配套网站自由获取。此外，在第2版中，所有的计算机练习还以Python编写，并附有相应的代码，这些代码也可以通过本书网站自由获取。后，第18章中的一些与深度学习相关的、更接近实际应用的计算机练习则用Tensorflow给出。习题答案和讲义幻灯片可从本书网站获得，供教师使用。 关于本书教辅资源，只有使用本书作为教材的教师才可以申请，需要的教师请访问爱思唯尔的教材网站https://textbooks.elsevier.com/进行申请。——编辑注在第2版中，所有附录都被移到配套网站上且可以自由下载，这是为了节省篇幅。另外，对于第1版中介绍方法的部分章节，如果其不再是必要的基础知识以及当前的主流研究课题，虽然它们在2015年是新兴且“时髦”的，但在第2版中也被移除了，这些内容可从配套网站下载。教师网站网址：http://textbooks.elsevier.com/web/Manuals.aspx?isbn=9780128188033配套网站网址：https://www.elsevier.com/booksandjournals/bookcompanion/9780128188033
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
