模式識別與機器學習
孫仕亮、趙靜
- 出版商: 清華大學
- 出版日期: 2020-10-01
- 定價: $417
- 售價: 8.5 折 $354
- 語言: 簡體中文
- ISBN: 7302558922
- ISBN-13: 9787302558927
-
相關分類:
Machine Learning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$648$616 -
$780$702 -
$860$731 -
$650$507 -
$690$538 -
$560$476 -
$301特徵工程入門與實踐 (Feature Engineering Made Easy)
-
$796強化學習, 2/e (Reinforcement Learning: An Introduction, 2/e)
-
$507深入理解神經網絡 : 從邏輯回歸到 CNN
-
$690$538 -
$750$638 -
$594$564 -
$235統計學基礎, 3/e (附微課視頻)
-
$750$593 -
$284人工智能算法與實戰(Python+PyTorch)-微課視頻版
-
$403PyTorch 生成對抗網絡編程
-
$780$616 -
$332深度學習與TensorFlow實踐
-
$199區塊鏈工程實驗與實踐
-
$1,000$790 -
$1,000$790 -
$602基於 MATLAB 的人工智能模式識別
-
$880$695 -
$750$593 -
$1,200$948
相關主題
商品描述
模式識別與機器學習系統介紹了模式識別與機器學習的基礎理論、模型與算法,同時兼顧了前沿知識的適當融入。本書以貝葉斯學習的思想貫穿始終,並適時與其他重要知識點(如支持向量機、深度學習)等進行交叉和關聯,便於讀者在形成良好知識體系的同時保持對整個領域知識的全面把握。 全書共14章和4個附錄,循序漸進地對模式識別與機器學習領域進行剖析。首先介紹貝葉斯學習基礎、邏輯回歸、概率圖模型基礎、隱馬爾可夫模型和條件隨機場,接著介紹支持向量機、人工神經網絡與深度學習、高斯過程、聚類、主成分分析與相關的譜方法,最後介紹確定性近似推理、隨機近似推理和強化學習。附錄包括傳統的模式識別與機器學習方法近鄰法和決策樹,還有向量微積分和隨機變量的變換等與本學科方向強相關的重要知識點。 本書內容深入淺出,生動有趣,力求反映這一領域的核心知識體系和新的發展趨勢。每章內容都盡可能做到豐富完整,並附有思考與計算題,便於讀者對知識的鞏固和融會貫通。 本書適合作為本科生和研究生(碩/博)課程的教材,也可作為希望從事人工智能相關工作的科技工作者的自學參考書。
作者簡介
孫仕亮,清華大學博士,華東師範大學教授。在華東師範大學從事研究工作,主講本科和研究生“模式識別與機器學習”“高級機器學習”等課程,並在英國倫敦大學學院、美國哥倫比亞大學從事訪問合作研究。在模式識別與機器學習領域的國際著名期刊和會議發表學術論文100餘篇,承擔多項國j級、省部級科研項目及國際知名企業的合作研究項目,研究成果多次獲得省部級科學技術獎勵。
趙靜,華東師範大學博士,講師。從事模式識別與機器學習領域的研究,包括概率模型、貝葉斯學習、j似推理與優化。主講研究生“高級機器學習”和本科生“可信機器學習”等課程。入選上海市2016年度“揚帆計劃”和2019年度“晨光計劃”。發表論文20篇,代表性成果發表於JMLR、T-CYB、IJCAI等國際頂j期刊和會議。
目錄大綱
目錄
第1章引言1
1.1基本概念1
1.1.1投票選舉2
1.1.2三個小皮匠勝過諸葛亮3
1.1.3主動學習4
1.2典型的機器學習系統5
1.2.1醫學圖像診斷5
1.2.2時間序列識別6
1.2.3對話系統7
1.2.4異常檢測8
1.3前沿研究方向舉例9
1.3.1多視圖機器學習9
1.3.2強化學習11
1.3.3可信人工智能11
1.4後續章節安排13
參考文獻13
第2章貝葉斯學習基礎15
2.1貝葉斯公式16
2.2貝葉斯決策18
2.2.1最小錯誤率貝葉斯決策18
2.2.2最小風險貝葉斯決策21
2.3分類器的相關概念23
2.3.1分類器、判別函數和決策面24
2.3.2分類器的錯誤率25
2.4基於高斯分佈的貝葉斯分類器26
2.5樸素貝葉斯分類器32
2.6參數估計33
2.6.1最大似然估計33
2.6.2最大後驗估計35
2.6.3期望最大化算法36
2.6.4貝葉斯參數估計37
思考與計算38
參考文獻39
第3章邏輯回歸40
3.1線性回歸41
3.1.1最小二乘與最大似然44
3.1.2正則化最小二乘與最大後驗47
3.2貝葉斯線性回歸50
3.3邏輯回歸52
3.3.1二類邏輯回歸52
3.3.2多類邏輯回歸55
3.4貝葉斯邏輯回歸56
思考與計算60
參考文獻60
第4章概率圖模型基礎61
4.1有向圖模型63
4.1.1模型表示63
4.1.2條件獨立性65
4.1.3常見的有向圖模型71
4.2無向圖模型73
4.2.1模型表示73
4.2.2條件獨立性74
4.2.3常見的無向圖模型81
4.3圖模型中的推理82
4.3.1鏈式結構82
4.3.2樹結構84
4.3.3因子圖84
4.3.4和積算法85
4.3.5最大和算法92
思考與計算94
參考文獻95
第5章隱馬爾可夫模型96
5.1模型表示97
5.2模型推理100
5.2.1邊緣似然的推理101
5.2.2隱狀態序列的推理107
5.2.3隱狀態邊緣後驗的推理108
5.3參數學習109
5.4模型擴展111
思考與計算115
參考文獻116
第6章條件隨機場117
6.1模型表示118
6.1.1線性鏈條件隨機場120
6.1.2一般的條件隨機場121
6.1.3條件隨機場的特徵函數122
6.2模型推理124
6.2.1前向—後向算法125
6.2.2維特比算法129
6.3參數學習130
6.4線性鏈條件隨機場與隱馬爾可夫模型132
6.5模型擴展133
思考與計算133
參考文獻134
第7章支持向量機135
7.1大間隔原理136
7.2基本分類模型137
7.3拉格朗日對偶優化138
7.4線性不可分數據的分類140
7.4.1鬆弛變量140
7.4.2核方法142
7.5支持向量機回歸144
7.6模型擴展146
思考與計算146
參考文獻147
第8章人工神經網絡與深度學習148
8.1感知機149
8.2多層神經網絡151
8.2.1神經元151
8.2.2多層神經網絡模型153
8.2.3反向傳播算法155
8.3深度神經網絡159
8.3.1淺層與深度神經網絡159
8.3.2過擬合問題160
8.3.3局部極值問題162
8.3.4梯度消失問題163
8.4常用的深度神經網絡166
8.4.1自編碼網絡166
8.4.2深度玻爾茲曼機168
8.4.3深度信念網絡169
8.4.4捲積神經網絡170
8.4.5循環神經網絡174
8.4.6Transformer177
思考與計算180
參考文獻181
第9章高斯過程183
9.1高斯過程的定義184
9.2高斯過程回歸模型185
9.2.1權重空間185
9.2.2函數空間189
9.3高斯過程分類模型192
9.3.1模型表示193
9.3.2近似推理方法195
9.4高斯過程與支持向量機199
9.5高斯過程與人工神經網絡200
9.6模型擴展201
思考與計算203
參考文獻203
第10章聚類205
10.1K均值聚類206
10.1.1算法介紹206
10.1.2模糊K均值聚類209
10.2譜聚類210
10.3高斯混合模型聚類217
10.3.1模型表示217
10.3.2模型推理與參數估計218
10.3.3無限高斯混合模型219
思考與計算222
參考文獻223
第11章主成分分析與相關的譜方法224
11.1主成分分析225
11.1.1最大化方差225
11.1.2最小化誤差227
11.1.3主成分分析與KL變換229
11.2概率PCA230
11.3核PCA232
11.4相關的譜方法234
11.4.1線性判別分析234
11.4.2典型相關分析237
思考與計算242
參考文獻243
第12章確定性近似推理244
12.1近似推理的應用場景245
12.2拉普拉斯近似245
12.3變分平均場近似247
12.3.1基本理論247
12.3.2相關問題250
12.4期望傳播近似253
12.4.1基本理論253
12.4.2相關問題256
思考與計算259
參考文獻259
第13章隨機近似推理260
13.1採樣方法的評價標準261
13.2基本的採樣方法262
13.2.1均勻採樣變換263
13.2.2拒絕採樣264
13.2.3重要性採樣265
13.3馬爾可夫鏈蒙特卡洛267
13.3.1MetropolisHastings採樣267
13.3.2Gibbs採樣269
13.3.3切片採樣271
13.3.4哈密爾頓蒙特卡洛採樣274
思考與計算277
參考文獻278
第14章強化學習280
14.1基本概念與理論基礎281
14.2規劃: 有環境模型的預測與控制286
14.2.1策略迭代287
14.2.2值迭代288
14.3無環境模型的控制: 基於值函數290
14.3.1蒙特卡洛控制291
14.3.2時序差分控制: SARSA292
14.3.3基於Q學習的異策略控制293
14.3.4基於Q學習的深度Q網絡控制295
14.4無環境模型的控制: 基於策略296
14.4.1蒙特卡洛策略梯度法和REINFORCE算法297
14.4.2行動者—評論者算法299
思考與計算300
參考文獻301
附錄A近鄰法302
A.1最近鄰法302
A.2最近鄰法的錯誤率分析302
A.3k近鄰法305
參考文獻306
附錄B決策樹307
B.1基本原理307
B.2信息增益和信息增益比309
B.3代表性算法311
參考文獻313
附錄C向量微積分314
C.1向量微分314
C.1.1常用定義314
C.1.2求導規則316
C.2向量積分319
參考文獻322
附錄D隨機變量的變換323
D.1概率密度中的變量變換323
D.2期望中的變量變換326
參考文獻327