統計機器學(xué)習導論簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:本書(shū)對機器學(xué)習的關(guān)鍵知識點(diǎn)進(jìn)行了全面講解，幫助讀者順利完成從理論到實(shí)踐的過(guò)渡。書(shū)中首先介紹用于描述機器學(xué)習算法的統計與概率的知識，接著(zhù)詳細分析機器學(xué)習技術(shù)的兩類(lèi)主要方法——生成方法和判別方法，后深入研究了如何使機器學(xué)習算法在實(shí)際應用中發(fā)揮更大的作用。本書(shū)提供程序源代碼，便于讀者進(jìn)行數據分析實(shí)踐。本書(shū)適合高等院校計算機、統計等專(zhuān)業(yè)的研究生和高年級本科生閱讀，同時(shí)也適合相關(guān)領(lǐng)域的技術(shù)人員參考。

作者簡(jiǎn)介:【加照片】Masashi Sugiyama，東京大學(xué)教授，擁有東京工業(yè)大學(xué)計算機科學(xué)博士學(xué)位，研究興趣包括機器學(xué)習與數據挖掘的理論、算法和應用，涉及信號處理、圖像處理、機器人控制等。2007年獲得IBM學(xué)者獎，以表彰其在機器學(xué)習領(lǐng)域非平穩性方面做出的貢獻。2011年獲得日本信息處理協(xié)會(huì )頒發(fā)的Nagao特別研究獎，以及日本文部科學(xué)省頒發(fā)的青年科學(xué)家獎，以表彰其對機器學(xué)習密度比范型的貢獻。

目錄:目錄
譯者序
前言
作者簡(jiǎn)介
第一部分緒論
第1章統計機器學(xué)習
1.1學(xué)習的類(lèi)型
1.2機器學(xué)習任務(wù)舉例
1.2.1監督學(xué)習
1.2.2非監督學(xué)習
1.2.3進(jìn)一步的主題
1.3本書(shū)結構
第二部分概率與統計
第2章隨機變量與概率分布
2.1數學(xué)基礎
2.2概率
2.3隨機變量和概率分布
2.4概率分布的性質(zhì)
2.4.1期望、中位數和眾數
2.4.2方差和標準差
2.4.3偏度、峰度和矩
2.5隨便變量的變換
第3章離散概率分布的實(shí)例
3.1離散均勻分布
3.2二項分布
3.3超幾何分布
3.4泊松分布
3.5負二項分布
3.6幾何分布
第4章連續概率分布的實(shí)例
4.1連續均勻分布
4.2正態(tài)分布
4.3伽馬分布、指數分布和卡方分布
4.4Beta分布
4.5柯西分布和拉普拉斯分布
4.6t分布和F分布
第5章多維概率分布
5.1聯(lián)合概率分布
5.2條件概率分布
5.3列聯(lián)表
5.4貝葉斯定理
5.5協(xié)方差與相關(guān)性
5.6獨立性
第6章多維概率分布的實(shí)例
6.1多項分布
6.2多元正態(tài)分布
6.3狄利克雷分布
6.4威沙特分布
第7章獨立隨機變量之和
7.1卷積
7.2再生性
7.3大數定律
7.4中心極限定理
第8章概率不等式
8.1聯(lián)合界
8.2概率不等式
8.2.1馬爾可夫不等式和切爾諾夫不等式
8.2.2坎泰利不等式和切比雪夫不等式
8.3期望不等式
8.3.1琴生不等式
8.3.2赫爾德不等式和施瓦茨不等式
8.3.3閔可夫斯基不等式
8.3.4康托洛維奇不等式
8.4獨立隨機變量和的不等式
8.4.1切比雪夫不等式和切爾諾夫不等式
8.4.2霍夫丁不等式和伯恩斯坦不等式
8.4.3貝內特不等式
第9章統計估計
9.1統計估計基礎
9.2點(diǎn)估計
9.2.1參數密度估計
9.2.2非參數密度估計
9.2.3回歸和分類(lèi)
9.2.4模型選擇
9.3區間估計
9.3.1基于正態(tài)樣本期望的區間估計
9.3.2bootstrap置信區間
9.3.3貝葉斯置信區間
第10章假設檢驗
10.1假設檢驗基礎
10.2正態(tài)樣本期望的檢驗
10.3尼曼皮爾森引理
10.4列聯(lián)表檢驗
10.5正態(tài)樣本期望差值檢驗
10.5.1無(wú)對應關(guān)系的兩組樣本
10.5.2有對應關(guān)系的兩組樣本
10.6秩的無(wú)參檢驗
10.6.1無(wú)對應關(guān)系的兩組樣本
10.6.2有對應關(guān)系的兩組樣本
10.7蒙特卡羅檢驗
第三部分統計模式識別的生成式方法
第11章通過(guò)生成模型估計的模式識別
11.1模式識別的公式化
11.2統計模式識別
11.3分類(lèi)器訓練的準則
11.3.1最大后驗概率規則
11.3.2最小錯誤分類(lèi)率準則
11.3.3貝葉斯決策規則
11.3.4討論
11.4生成式方法和判別式方法
第12章極大似然估計
12.1定義
12.2高斯模型
12.3類(lèi)后驗概率的計算
12.4Fisher線(xiàn)性判別分析
12.5手寫(xiě)數字識別
12.5.1預備知識
12.5.2線(xiàn)性判別分析的實(shí)現
12.5.3多分類(lèi)器方法
第13章極大似然估計的性質(zhì)
13.1一致性
13.2漸近無(wú)偏性
13.3漸近有效性
13.3.1一維的情況
13.3.2多維的情況
13.4漸近正態(tài)性
13.5總結
第14章極大似然估計的模型選擇
14.1模型選擇
14.2KL散度
14.3AIC信息論準則
14.4交叉檢驗
14.5討論
第15章高斯混合模型的極大似然估計
15.1高斯混合模型
15.2極大似然估計
15.3梯度上升算法
15.4EM算法
第16章非參數估計
16.1直方圖方法
16.2問(wèn)題描述
16.3核密度估計
16.3.1Parzen 窗法
16.3.2利用核的平滑
16.3.3帶寬的選擇
16.4最近鄰密度估計
16.4.1最近鄰距離
16.4.2最近鄰分類(lèi)器
第17章貝葉斯推理
17.1貝葉斯預測分布
17.1.1定義
17.1.2與極大似然估計的比較
17.1.3計算問(wèn)題
17.2共軛先驗
17.3最大后驗估計
17.4貝葉斯模型選擇
第18章邊緣相似的解析近似
18.1拉普拉斯近似
18.1.1高斯密度估計
18.1.2例證
18.1.3應用于邊際似然逼近
18.1.4貝葉斯信息準則
18.2變分近似
18.2.1變分貝葉斯最大期望算法
18.2.2與一般最大期望法的關(guān)系
第19章預測分布的數值近似
19.1蒙特卡羅積分
19.2重要性采樣
19.3采樣算法
19.3.1逆變換采樣
19.3.2拒絕采樣
19.3.3馬爾可夫鏈蒙特卡羅方法
第20章貝葉斯混合模型
20.1高斯混合模型
20.1.1貝葉斯公式化
20.1.2變分推斷
20.1.3吉布斯采樣
20.2隱狄利克雷分配模型
20.2.1主題模型
20.2.2貝葉斯公式化
20.2.3吉布斯采樣
第四部分統計機器學(xué)習的判別式方法
第21章學(xué)習模型
21.1線(xiàn)性參數模型
21.2核模型
21.3層次模型
第22章最小二乘回歸
22.1最小二乘法
22.2線(xiàn)性參數模型的解決方案
22.3最小二乘法的特性
22.4大規模數據的學(xué)習算法
22.5層次模型的學(xué)習算法
第23章具有約束的最小二乘回歸
23.1子空間約束的最小二乘
23.22約束的最小二乘
23.3模型選擇
第24章稀疏回歸
24.11約束的最小二乘
24.2解決1約束的最小二乘
24.3稀疏學(xué)習的特征選擇
24.4若干擴展
24.4.1廣義1約束最小二乘
24.4.2p約束最小二乘
24.4.31+2約束最小二乘
24.4.41,2約束最小二乘
24.4.5跡范數約束最小二乘
第25章穩健回歸
25.12損失最小化的非穩健性
25.21損失最小化
25.3Huber損失最小化
25.3.1定義
25.3.2隨機梯度算法
25.3.3迭代加權最小二乘
25.3.41約束Huber損失最小化
25.4Tukey 損失最小化
第26章最小二乘分類(lèi)器
26.1基于最小二乘回歸的分類(lèi)器
26.20/1損失和間隔
2