9787115461476 9787302423287 9787302275954
统计学习方法
统计学习是计算机及其应用领域的一门重要的学科。《统计学习方法》全面地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除1章概论和后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必*的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。
《统计学习方法》是统计学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等的大学生、研究生，也可供从事计算机应用相关的研发人员参考。
机器学习
机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：1 部分（1～3 章）介绍机器学习的基础知识；2 部分（4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；3 部分（11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。
本书可作为高等院校计算机、自动化及相关的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
深度学习 [deep learning]
《深度学习》由全*知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
《深度学习》适合各类读者阅读，包括相关的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
统计学习方法
1章 统计学习方法概论
1.1 统计学习
1.2 监督学习
1.3 统计学习三要素
1.4 模型评估与模型选择
1.5 i~则化与交叉验证
1.6 泛化能力
1.7 生成模型与判别模型
1.8 分类问题
1.9 标注问题
1.10 回归问题
本章概要
继续阅读
习题
参考文献2章 感知机
2.1 感知机模型
2.2 感知机学习策略
2.3 感知机学习算法
本章概要
继续阅读
习题
参考文献3章 众近邻法
3.1 k近邻算法
3.2 k近邻模型
3.3 k近邻法的实现：kd树
本章概要
继续阅读
习题
参考文献4章 朴素贝叶斯法
4.1 朴素贝叶斯法的学习与分类
4.2 朴素贝叶斯法的参数估计
本章概要
继续阅读
习题
参考文献
5章 决策树
6章 逻辑斯谛回归与大熵模型
7章 支持向量机
8章 提升方法
9章 em算法及其推广
10章 隐马尔可夫模型
11章 条件随机场
12章 统计学习方法总结
附录a 梯度下降法
附录b 牛顿法和拟牛顿法
附录c 拉格朗日对偶性
... ...
机器学习
1章 1
1.1 引言 1
1.2 基本术 2
1.3 假设空间 4
1.4 归纳偏好 6
1.5 发展历程 10
1.6 应用现状 13
1.7 阅读材料 16
习题 19
参考文献 20
休息一会儿 22
2章 模型评估与选择 23
2.1 经验误差与过拟合 23
2.2 评估方法 24
2.2.1 留出法 25
2.2.2 交叉验证法 26
2.2.3 自助法 27
2.2.4 调参与终模型 28
2.3 性能度量 28
2.3.1 率与精度 29
2.3.2 查准率、查全率与F1 30
2.3.3 ROC与AUC 33
2.3.4 代价敏感率与代价曲线 35
2.4 比较检验 37
2.4.1 假设检验 37
2.4.2 交叉验证t检验 40
2.4.3 McNemar检验 41
2.4.4 Friedman检验与后续检验 42
2.5 偏差与方差 44
2.6 阅读材料 46
习题 48
参考文献 49
休息一会儿 51
3章 线性模型 53
3.1 基本形式 53
3.2 线性回归 53
3.3 对数几率回归 57
3.4 线性判别分析 60
3.5 多分类学习 63
3.6 类别不平衡问题 66
3.7 阅读材料 67
习题 69
参考文献 70
休息一会儿 72
4章 决策树 73
4.1 基本流程 73
4.2 划分选择 75
4.2.1 信息增益 75
4.2.2 增益率 77
4.2.3 基尼指数 79
4.3 剪枝处理 79
4.3.1 预剪枝 80
4.3.2 后剪枝 82
4.4 连续与缺失值 83
4.4.1 连续值处理 83
4.4.2 缺失值处理 85
... ...
深度学习 [deep learning]
1章引言1
11本书面向的读者7
12深度学习的历史趋势8
121神经网络的众多名称和命运变迁8
122与日俱增的数据量12
123与日俱增的模型规模13
124与日俱增的精度、复杂度和对现实世界的冲击15
1部分应用数学与机器学习基础
第2章线性代数19
21标量、向量、矩阵和张量19
22矩阵和向量相乘21
23单位矩阵和逆矩阵22
24线性相关和生成子空间23
25范数24
26特殊类型的矩阵和向量25
27特征分解26
28奇异值分解28
29Moore-Penrose伪逆28
210迹运算29
211行列式30
212实例：主成分分析30
第3章概率与信息论34
31为什么要使用概率34
32随机变量35
33概率分布36
331离散型变量和概率质量函数36
332连续型变量和概率密度函数36
34边缘概率37
35条件概率37
36条件概率的链式法则38
37独立性和条件独立性38
38期望、方差和协方差38
39常用概率分布39
391Bernoulli分布40
392Multinoulli分布40
393高斯分布40
... ...
^_^:5d7038c9dacc744163b03600e672b2e2
