機器學習習題參考

葉翰嘉 詹德川

機器學習習題參考
  • 出版商: 機械工業
  • 出版日期: 2024-12-01
  • 售價: $594
  • 貴賓價: 9.5 折 $564
  • 語言: 簡體中文
  • 頁數: 466
  • 裝訂: 平裝
  • ISBN: 7111767144
  • ISBN-13: 9787111767145
  • 相關分類: Machine Learning

    • 立即出貨

商品描述

本書搭配周志華教授所寫的《機器學習》教材，透過大量習題檢視讀者對機器學習相關知識點的理解與掌握。全書分為兩個部分：第一部分習題對應《機器學習》第1~10章的內容，包括緒論、模型評估與選擇、線性模型、決策樹、神經網絡、支援向量機、貝葉斯分類器、整合學習、聚類、降維度與度量學習；第二部分包含6章應用專題，透過綜合題的形式對知識點進行多角度考查，包括線性模型的最佳化與復用、面向類別不平衡資料的分類、神經網絡的最佳化與應用、EM演算法及其應用、整合學習的過度擬合現象研究、度量學習及其應用。書中包含簡答題、計算題和程式設計題，涵蓋不同難度級別，機器學習初學者可以透過這些習題深入瞭解和鞏固教材的關鍵概念，對機器學習有一定基礎的讀者也可以透過習題發現對一些知識點不同角度的解讀，為後續機器學習的深入研究打下基礎。
本書針對《機器學習》讀者以及廣大機器學習愛好者，可作為高等院校人工智能、電腦、自動化及相關專業的本科生或研究生的教學輔助書籍，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。

作者簡介

葉翰嘉，現任南京大學人工智能學院準聘副教授，在南京大學機器學習與資料探勘研究所（LAMDA）從事學術研究工作。主要的研究方向包括表示學習、後設學習、模型多用等領域。葉翰嘉在機器學習等領域發表TPAMI、ICML等學術論文二十餘篇；受邀擔任SDM Tutorial/Doctoral Forum主席, ECML、IJCAI領域主席/高級程序委員會成員，CCF-AI執行委員；作為核心成員參與「新一代人工智能」重大項目，主持國家自然科學基金青年項目，CCF-百度松果基金項目，CCF-海康威視斑頭雁基金項目，被評為華為“耀星學者”，獲得CCF優秀博士學位論文獎、江蘇省計算機學會青年科技獎。

目錄大綱

目錄
推薦序
前言
基礎考評篇
第1章　緒論2
1.1　基本術語2
1.2　假設空間5
1.3　歸納偏好9
1.4　矩陣、優化和概率分佈13
參考文獻21
第2章　模型評估與選擇23
2.1　經驗誤差與過擬合23
2.2　評估方法26
2.3　性能度量31
2.4　比較檢驗41
2.5　偏差與方差43
參考文獻47
第3章　線性模型49
3.1　線性回歸49
3.2　對數幾率回歸60
3.3　線性判別分析63
3.4　多分類學習74
參考文獻78
第4章　決策樹80
4.1　基本流程80
4.2　劃分選擇81
4.3　剪枝處理90
4.4　連續與缺失值93
4.5　多變量決策樹100
參考文獻105
第5章　神經網絡106
5.1　感知機與多層網絡106
5.2　誤差逆傳播算法112
5.3　全局最小與局部極小128
5.4　其他常見神經網絡130
參考文獻132
第6章　支持向量機134
6.1　間隔、支持向量與對偶問題134
6.2　軟間隔與正則化142
6.3　核函數154
6.4　核方法158
參考文獻160
第7章　貝葉斯分類器162
7.1　貝葉斯決策論162
7.2　極大似然估計166
7.3　樸素貝葉斯分類器179
7.4　貝葉斯網188
參考文獻190
第8章　集成學習191
8.1　Boosting191
8.2　Bagging與隨機森林201
8.3　結合策略207
8.4　多樣性211
8.5　集成剪枝222
參考文獻223
第9章　聚類225
9.1　距離計算225
9.2　k均值算法229
9.3　高斯混合聚類249
9.4　性能度量251
9.5　密度聚類與層次聚類254
參考文獻262
第10章　降維與度量學習263
10.1　k近鄰學習263
10.2　維數災難265
10.3　主成分分析268
10.4　核化線性降維287
10.5　低維嵌入與流形學習288
10.6　度量學習291
參考文獻295
綜合應用篇
第11章　線性模型的優化與復用298
11.1　數據獲取和預處理298
11.2　嶺回歸分類器的優化方法探究302
11.3　線性模型的參數選擇314
11.4　線性模型的參數復用320
參考文獻324
第12章　面向類別不平衡數據的分類326
12.1　類別不平衡現象與評價指標326
12.2　類別不平衡模型初探334
12.3　基於採樣的“再縮放”方法340
12.4　類別不平衡問題的多分類擴展348
參考文獻356
第13章　神經網絡的優化與應用357
13.1　數值求導和自動求導357
13.2　神經網絡優化實例362
13.3　BP算法的回顧與思考374
13.4　SOM神經網絡377
參考文獻385
第14章　EM算法及其應用387
14.1　數據中的隱變量387
14.2　EM算法的迭代優化視角391
14.3　EM算法的隱變量視角396
14.4　EM算法應用實例——缺失值處理398
參考文獻413
第15章　集成學習的過擬合現象研究415
15.1　分佈有偏移數據集的構造和劃分415
15.2　機器學習中的過擬合現象418
15.3　AdaBoost的多分類算法實現425
15.4　AdaBoost是否會過擬合433
參考文獻437
第16章　度量學習及其應用438
16.1　近鄰分類器438
16.2　降維方法的評價444
16.3　度量學習448
16.4　度量學習的回顧與思考461
參考文獻466

類似商品