Applied Machine Learning

Applied Machine Learning
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: ,
出版社: Springer
2019-07
ISBN: 9783030181130
装帧: 其他
页数: 756页
  • Machine learning methods are now an important tool for scientists, researchers, engineers and students in a wide range of areas.  This book is written for people who want to adopt and use the main tools of machine learning, but aren’t necessarily going to want to be machine learning researchers. Intended for students in final year undergraduate or first year graduate computer science programs in machine learning, this textbook is a machine learning toolkit. Applied Machine Learning covers many topics for people who want to use machine learning processes to get things done, with a strong emphasis on using existing tools and packages, rather than writing one’s own code.
    A companion to the author's Probability and Statistics for Computer Science, this book picks up where the earlier book left off (but also supplies a summary of probability that the reader can use).
    Emphasizing the usefulness of standard machinery from applied statistics, this textbook gives an overview of the major applied areas in learning, including coverage of:• classification using standard machinery (naive bayes; nearest neighbor; SVM)• clustering and vector quantization (largely as in PSCS)• PCA (largely as in PSCS)• variants of PCA (NIPALS; latent semantic analysis; canonical correlation analysis)• linear regression (largely as in PSCS)• generalized linear models including logistic regression• model selection with Lasso, elasticnet• robustness and m-estimators• Markov chains and HMM’s (largely as in PSCS)• EM in fairly gory detail; long experience teaching this suggests one detailed example is required, which students hate; but once they’ve been through that, the next one is easy• simple graphical models (in the variational inference section)• classification with neural networks, with a particular emphasis onimage classification• autoencoding with neural networks• structure learning
  • 内容简介:
    Machine learning methods are now an important tool for scientists, researchers, engineers and students in a wide range of areas.  This book is written for people who want to adopt and use the main tools of machine learning, but aren’t necessarily going to want to be machine learning researchers. Intended for students in final year undergraduate or first year graduate computer science programs in machine learning, this textbook is a machine learning toolkit. Applied Machine Learning covers many topics for people who want to use machine learning processes to get things done, with a strong emphasis on using existing tools and packages, rather than writing one’s own code.
    A companion to the author's Probability and Statistics for Computer Science, this book picks up where the earlier book left off (but also supplies a summary of probability that the reader can use).
    Emphasizing the usefulness of standard machinery from applied statistics, this textbook gives an overview of the major applied areas in learning, including coverage of:• classification using standard machinery (naive bayes; nearest neighbor; SVM)• clustering and vector quantization (largely as in PSCS)• PCA (largely as in PSCS)• variants of PCA (NIPALS; latent semantic analysis; canonical correlation analysis)• linear regression (largely as in PSCS)• generalized linear models including logistic regression• model selection with Lasso, elasticnet• robustness and m-estimators• Markov chains and HMM’s (largely as in PSCS)• EM in fairly gory detail; long experience teaching this suggests one detailed example is required, which students hate; but once they’ve been through that, the next one is easy• simple graphical models (in the variational inference section)• classification with neural networks, with a particular emphasis onimage classification• autoencoding with neural networks• structure learning
查看详情
相关图书 / 更多
Applied Machine Learning
AppliedCalculusfortheManagerial,Life,andS
Soo T. Tan 著
Applied Machine Learning
AppliedStatisticsforEngineersandScientists
Jay Devore、Nicholas Farnum、Jimmy Doi 著
Applied Machine Learning
AppliedLinearAlgebraandMatrixAnalysis
Thomas S. Shores 著
Applied Machine Learning
AppliedMathematicsfortheManagerial,Life,an
Soo T. Tan 著
Applied Machine Learning
Applied Ecology & Environmental Management
Edward I. Newman 著
Applied Machine Learning
Applied Survey Methods:A Statistical Perspective
Jelke Bethlehem
Applied Machine Learning
AppliedNMRSpectroscopyforChemistsandLifeScientists
Oliver Zerbe、Simon Jurt 著
Applied Machine Learning
Applied Clinical Pharmacokinetics
Larry Bauer 著
Applied Machine Learning
AppliedNMRSpectroscopyforChemistsandLifeScientists
Oliver Zerbe、Simon Jurt 著
Applied Machine Learning
Applied Logistic Regression 3e
Hosmer, David W.,Lemeshow, Stanley,Sturdivant, Rodney X
Applied Machine Learning
Applied Mathematics for Database Professionals
Lex de Haan;Toon Koppelaars
Applied Machine Learning
Applied Anthropology:A Practical Guide
Erve Chambers
您可能感兴趣 / 更多
Applied Machine Learning
混凝土:一部文化史(建筑新视界)
Forty 著;尚晋 译;[英]阿德里安·福蒂(Adrian
Applied Machine Learning
兔子波尼(法语"漫"游系列)
Fortin 著;Ian、谈佳 注
Applied Machine Learning
颅底肿瘤影像学诊断与治疗实用指导
Forghani 著;[加拿大]Eugene、Yu、[加拿大]Reza、张明 杨军乐 译
Applied Machine Learning
Dungeonology
Forbeck, Matt
Applied Machine Learning
EssentialsofLawforHealthProfessionals,4e
Forrester、Kim 著
Applied Machine Learning
Soul:MemphisOriginalSound
Foreword by Dan Aykroyd 著
Applied Machine Learning
Canada
Ford, Richard
Applied Machine Learning
AnotherBirthandOtherPoems
Forugh Farrokhzad 著
Applied Machine Learning
CurriculumLeadership:ReadingsforDevelopingQualityEducationalPrograms
Forrest W. Parkay 著
Applied Machine Learning
VisualStatistics:SeeingDatawithDynamicInteractiveGraphics
Forrest W. Young、Pedro M. Valero-Mora、Michael Friendly 著
Applied Machine Learning
Star Trek Hand of Kahless T:Signature Edition: The Hand of Kahless
Ford;Friedman
Applied Machine Learning
The Education of Little Tree
Forrest Carter 著