新書推薦：
《
金手铐（讲述海外留学群体面临的困境与挣扎、收获与失去）
》
售價：HK$
74.8
《
五谷杂粮养全家 正版书籍养生配方大全饮食健康营养食品药膳食谱养生食疗杂粮搭配减糖饮食书百病食疗家庭中医养生药膳入门书籍
》
售價：HK$
54.8
《
七种模式成就卓越班组：升级版
》
售價：HK$
63.8
《
主动出击：20世纪早期英国的科学普及（看英国科普黄金时代的科学家如何担当科普主力，打造科学共识！）
》
售價：HK$
86.9
《
太极拳套路完全图解 陈氏56式 杨氏24式和普及48式 精编口袋版
》
售價：HK$
32.8
《
2+20：私募股权为什么能长期战胜市场
》
售價：HK$
86.9
《
经典秩序的重构：廖平的世界观与经学之路（探究廖平经学思想，以新视角理解中国传统学术在西学冲击下的转型）
》
售價：HK$
97.9
《
你喜欢勃拉姆斯吗……
》
售價：HK$
52.8
|
| 內容簡介： |
|
本译著提供了基于神经网络的机器学习主题，除过介绍基本的物理和数学原理基础之外，主要从统计物理的基础方法和科学工程应用结合起来，提供了理解现代视觉让读者解决实践中遇到的问题。本书组织结构清楚，分为3部分，第1部分Hopfield Networks，第2部分，监督学习，第3部分，非监督学习。涉及的很多前言主题，例如卷积神经网络，深度学习和强化学习。此外，作者还主要将机器学习的这些理论方法在科学和工程中的应用做了大量工作，让计算机科学家和工程师能够解决工作遇到的实际问题。
|
| 關於作者： |
Jiang Hui（江辉）是加拿大多伦多约克大学电气工程和计算机科学系教授。自2002年起担任该校教授，长期从事人工智能教学和研究。他的主要研究方向包括机器学习、深度学习，以及其在语音和音频处理、自然语言处理和计算机视觉中的应用。
郭涛，四川省农业科学院遥感应用研究所智慧农业科学技术中心、遥感监测（粮食安全）研究中心工程师，TIT Lab发起人，主要从事机器学习与模式识别、地理人工智能（GeoAI）与时空大数据挖掘与分析、智能机器人技术和软件工程技术等前沿交叉研究。《复杂性思考：复杂性科学与计算模型》和《神经网络实战》等译者。目前发表学术论文12篇，申请软件著作权12项，参与编写教材3本，译著5本。
|
| 目錄：
|
第1章 导论1
1.1 什么是机器学习1
1.2 机器学习的基本概念4
1.2.1 分类与回归4
1.2.2 监督学习与无监督学习4
1.2.3 简单模型与复杂模型5
1.2.4 参数模型与非参数模型8
1.2.5 过拟合与欠拟合9
1.2.6 偏差-方差权衡11
1.3 机器学习的一般原则12
1.3.1 奥卡姆剃刀12
1.3.2 没有免费午餐定理13
1.3.3 平滑世界定律14
1.3.4 维度灾难16
1.4 机器学习中的高级主题17
1.4.1 强化学习17
1.4.2 元学习17
1.4.3 因果推断18
1.4.4 其他高级主题18
练习18
第2章 数学基础20
2.1 线性代数20
2.1.1 向量和矩阵20
2.1.2 作为矩阵乘法的线性变换21
2.1.3 基本矩阵运算23
2.1.4 特征值和特征向量25
2.1.5 矩阵演算27
2.2 概率与统计29
2.2.1 随机变量和分布29
2.2.2 期望值：均值、方差和矩31
2.2.3 联合、边际和条件分布33
2.2.4 常见概率分布37
2.2.5 随机变量的变换44
2.3 信息论45
2.3.1 信息和熵46
2.3.2 互信息48
2.3.3 KL散度51
2.4 数学优化54
2.4.1 一般形式55
2.4.2 最优条件56
2.4.3 数值优化方法66
练习71
第3章 监督机器学习（简介）75
3.1 概述75
3.2 实例探究80
第4章 特征提取84
4.1 特征提取：概念84
4.1.1 特征工程84
4.1.2 特征选择86
4.1.3 降维86
4.2 线性降维87
4.2.1 主成分分析87
4.2.2 线性判别分析93
4.3 非线性降维（I）：流形学习96
4.3.1 局部线性嵌入96
4.3.2 多维缩放98
4.3.3 随机邻域嵌入99
4.4 非线性降维（II）：神经网络100
4.4.1 自编码器100
4.4.2 瓶颈特征101
实验室项目一101
练习102
判 别 模 型
第5章 统计学习理论105
5.1 判别模型的制定105
5.2 可学习性107
5.3 泛化边界108
5.3.1 有限模型空间：| |108
5.3.2 无限模型空间：VC维110
练习113
第6章 线性模型115
6.1 感知机116
6.2 线性回归120
6.3 最小分类误差121
6.4 逻辑回归123
6.5 支持向量机125
6.5.1 线性支持向量机125
6.5.2 软支持向量机132
6.5.3 非线性支持向量机：核技巧133
6.5.4 求解二次规划136
6.5.5 多类支持向量机138
实验室项目二139
练习140
第7章 学习通用判别模型142
7.1 学习判别模型的通用框架142
7.1.1 机器学习中的常见损失函数144
7.1.2 基于 范数的正则化146
7.2 岭回归与LASSO148
7.3 矩阵分解150
7.4 字典学习155
实验室项目三158
练习159
第8章 神经网络161
8.1 人工神经网络162
8.1.1 人工神经网络的基本公式163
8.1.2 数学证明：通用近似165
8.2 神经网络结构167
8.2.1 连接层的基本构造块167
8.2.2 案例分析一：完全连接深度神经网络176
8.2.3 案例分析二：卷积神经网络178
8.2.4 案例分析三：递归神经网络182
8.2.5 案例分析四：transformer184
8.3 神经网络的学习算法187
8.3.1 损失函数187
8.3.2 自动微分法188
8.3.3 随机梯度下降优化201
8.4 优化的启发式和技巧203
8.4.1 其他随机梯度下降变量优化方法：ADAM204
8.4.2 正则化207
8.4.3 微调技巧209
8.5 端到端学习210
实验室项目四212
练习213
第9章 集成学习215
9.1 整体学习的模拟215
9.2 袋装法221
9.3 提升法222
9.3.1 梯度提升223
9.3.2 AdaBoost225
9.3.3 梯度树提升法228
实验室项目五230
练习230
生 成 模 型
第10章 生成模型概述233
10.1 生成模型的形成233
10.2 贝叶斯决策理论235
10.2.1 分类生成模型235
10.2.2 回归生成模型240
10.3 统计数据建模241
10.4 密度估计244
10.4.1 最大似然估计244
10.4.2 最大似然分类器247
10.5 生成模型（概括）247
练习249
第11章 单峰模型251
11.1 高斯模型252
11.2 多项式模型256
11.3 马尔可夫链模型258
11.4 广义线性模型263
11.4.1 概率回归264
11.4.2 泊松回归265
11.4.3 对数线性模型266
练习268
第12章 混合模型270
12.1 构建混合模型271
12.1.1 指数族（e族）272
12.1.2 混合模型的形式化定义274
12.2 期望最大化方法275
12.2.1 辅助函数：消除对数和275
12.2.2 期望最大化算法279
12.3 高斯混合模型282
12.4 隐马尔可夫模型286
12.4.1 马尔可夫模型：序列的混合模型286
12.4.2 评估问题：前向后退算法292
12.4.3 解码问题：维特比算法296
12.4.4 训练问题：马尔可夫算法298
实验项目六305
练习306
第13章 纠缠模型309
13.1 纠缠模型的形成309
13.1.1 纠缠模型框架310
13.1.2 一般纠缠模型的学习312
13.2 线性高斯模型314
13.2.1 概率PCA315
13.2.2 因素分析316
13.3 非高斯模型318
13.3.1 独立成分分析（ICA）318
13.3.2 独立因素分析（IFA）320
13.3.3 混合正交投影与估计（HOPE）320
13.4 深度生成模型321
13.4.1 变分自编码器（VAE）322
13.4.2 生成式对抗网络（GAN）326
练习327
第14章 贝叶斯学习329
14.1 构建贝叶斯学习329
14.1.1 贝叶斯推理331
14.1.2 最大化后验估计332
14.1.3 顺序贝叶斯学习333
14.2 共轭先验336
14.3 近似推理342
14.3.1 拉普拉斯方法343
14.3.2 变分贝叶斯（VB）方法345
14.4 高斯过程351
14.4.1 高斯过程作为非参数先验351
14.4.2 回归高斯过程354
14.4.3 分类高斯过程357
练习358
第15章 图模型360
15.1 图模型概念360
15.2 贝叶斯网络364
15.2.1 条件独立364
15.2.2 用贝叶斯网络表示生成模型371
15.2.3 学习贝叶斯网络375
15.2.4 推理算法377
15.2.5 案例研究一：朴素贝叶斯分类器383
15.2.6 案例研究二：潜在狄利克雷分配384
15.3 马尔可夫随机场387
15.3.1 等式：势函数和配分函数387
15.3.2 案例研究三：条件随机场390
15.3.3 案例研究四：限制玻尔兹曼机器392
练习394
附录A396
参考文献
|
|
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
