孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 占位居中 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台
商品
拍卖区
在售
已售
搜索历史
搜索
高级搜索

机器学习

机器学习
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: [英] （Peter Flach） 著 , 译
出版社: 人民邮电出版社
2016-01
版次: 1
ISBN: 9787115405777
定价: 79.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 265页
正文语种: 简体中文
原版书名: Machine Learning:the Art and Science of Algorithms that Make Sense of Data
丛书: 图灵程序设计丛书
分类: 计算机与互联网
208人买过
  • 　　《机器学习》是全面的机器学习教材之一。书中首先介绍了机器学习的构成要素（任务、模型、特征）和机器学习任务，接着详细分析了逻辑模型（树模型、规则模型）、几何模型（线性模型和基于距离的模型）和概率模型，然后讨论了特征、模型的集成，以及被机器学习研究者称为“实验”的方法。作者不仅使用了已有术语，还引入了一些新的概念，同时提供了大量精选的示例和插图解说。
    　　Peter Flach，布里斯托大学人工智能教授，拥有20多年的机器学习教研经验。在高度结构化的数据挖掘以及通过ROC分析来评估和改进机器学习模型方面，Flach是国际领先的研究人员。他还是Machine Learning期刊总编。曾担任2009年ACM知识发现与数据挖掘国际会议、2012年欧洲机器学习与数据挖掘国际会议的程序委员会共同主席。另著有Simply Logical: Intelligent Reasoning by Example。
    绪　论　机器学习概述 1
    第1章　机器学习的构成要素　9
    1．1　任务：可通过机器学习解决的问题　9
    1．1．1　探寻结构　11
    1．1．2　性能评价　13
    1．2　模型：机器学习的输出　14
    1．2．1　几何模型　14
    1．2．2　概率模型　17
    1．2．3　逻辑模型　22
    1．2．4　分组模型与评分模型　26
    1．3　特征：机器学习的马达　26
    1．3．1　特征的两种用法　28
    1．3．2　特征的构造与变换　29
    1．3．3　特征之间的交互　32
    1．4　总结与展望　33
    第2章　两类分类及相关任务　37
    2．1　分类　39
    2．1．1　分类性能的评价　40
    2．1．2　分类性能的可视化　43
    2．2　评分与排序　46
    2．2．1　排序性能的评价及可视化　48
    2．2．2　将排序器转化为分类器　52
    2．3　类概率估计　54
    2．3．1　类概率估计量　55
    2．3．2　将排序器转化为概率估计子　57
    2．4　小结与延伸阅读　59
    第3章　超越两类分类　61
    3．1　处理多类问题　61
    3．1．1　多类分类　61
    3．1．2　多类得分及概率　65
    3．2　回归　68
    3．3　无监督学习及描述性学习　70
    3．3．1　预测性聚类与描述性聚类　71
    3．2．2　其他描述性模型　74
    3．4　小结与延伸阅读　76
    第4章　概念学习　77
    4．1　假设空间　78
    4．1．1　最小一般性　79
    4．1．2　内部析取　82
    4．2　通过假设空间的路径　84
    4．2．1　最一般相容假设　86
    4．2．2　封闭概念　87
    4．3　超越合取概念　88
    4．4　可学习性　92
    4．5　小结与延伸阅读　94
    第5章　树模型　97
    5．1　决策树　100
    5．2　排序与概率估计树　103
    5．3　作为减小方差的树学习方法　110
    5．3．1　回归树　110
    5．3．2　聚类树　113
    5．4　小结与延伸阅读　115
    第6章　规则模型　117
    6．1　学习有序规则列表　117
    6．2　学习无序规则集　124
    6．2．1　用于排序和概率估计的规则集　128
    6．2．2　深入探究规则重叠　130
    6．3　描述性规则学习　131
    6．3．1　用于子群发现的规则学习　131
    6．3．2　关联规则挖掘　135
    6．4　一阶规则学习　139
    6．5　小结与延伸阅读　143
    第7章　线性模型　145
    7．1　最小二乘法　146
    7．1．1　多元线性回归　150
    7．1．2　正则化回归　153
    7．1．3　利用最小二乘回归实现分类　153
    7．2　感知机　155
    7．3　支持向量机　158
    7．4　从线性分类器导出概率　164
    7．5　超越线性的核方法　168
    7．6　小结与延伸阅读　170
    第8章　基于距离的模型　173
    8．1　距离测度的多样性　173
    8．2　近邻与范例　178
    8．3　最近邻分类器　182
    8．4　基于距离的聚类　184
    8．4．1　K均值算法　186
    8．4．2　K中心点聚类　187
    8．4．3　silhouette　188
    8．5　层次聚类　190
    8．6　从核函数到距离　194
    8．7　小结与延伸阅读　195
    第9章　概率模型　197
    9．1　正态分布及其几何意义　200
    9．2　属性数据的概率模型　205
    9．2．1　利用朴素贝叶斯模型实现分类　206
    9．2．2　训练朴素贝叶斯模型　209
    9．3　通过优化条件似然实现鉴别式学习　211
    9．4　含隐变量的概率模型　214
    9．4．1　期望最大化算法　215
    9．4．2　高斯混合模型　216
    9．5　基于压缩的模型　218
    9．6　小结与延伸阅读　220
    第10章　特征　223
    10．1　特征的类型　223
    10．1．1　特征上的计算　223
    10．1．2　属性特征、有序特征及数量特征　227
    10．1．3　结构化特征　228
    10．2　特征变换　229
    10．2．1　阈值化与离散化　229
    10．2．2　归一化与标定　234
    10．2．3　特征缺失　239
    10．3　特征的构造与选择　240
    10．4　小结与延伸阅读　243
    第11章　模型的集成　245
    11．1　Bagging 与随机森林　246
    11．2　Boosting　247
    11．3　集成学习进阶　250
    11．3．1　偏差、方差及裕量　250
    11．3．2　其他集成方法　251
    11．3．3　元学习　252
    11．4　小结与延伸阅读　252
    第12章　机器学习的实验　255
    12．1　度量指标的选择　256
    12．2　量指标的获取　258
    12．3　如何解释度量指标　260
    12．4　小结与延伸阅读　264
    后记　路在何方　267
    记忆要点　269
    参考文献　271
  • 内容简介:
    　　《机器学习》是全面的机器学习教材之一。书中首先介绍了机器学习的构成要素（任务、模型、特征）和机器学习任务，接着详细分析了逻辑模型（树模型、规则模型）、几何模型（线性模型和基于距离的模型）和概率模型，然后讨论了特征、模型的集成，以及被机器学习研究者称为“实验”的方法。作者不仅使用了已有术语，还引入了一些新的概念，同时提供了大量精选的示例和插图解说。
  • 作者简介:
    　　Peter Flach，布里斯托大学人工智能教授，拥有20多年的机器学习教研经验。在高度结构化的数据挖掘以及通过ROC分析来评估和改进机器学习模型方面，Flach是国际领先的研究人员。他还是Machine Learning期刊总编。曾担任2009年ACM知识发现与数据挖掘国际会议、2012年欧洲机器学习与数据挖掘国际会议的程序委员会共同主席。另著有Simply Logical: Intelligent Reasoning by Example。
  • 目录:
    绪　论　机器学习概述 1
    第1章　机器学习的构成要素　9
    1．1　任务：可通过机器学习解决的问题　9
    1．1．1　探寻结构　11
    1．1．2　性能评价　13
    1．2　模型：机器学习的输出　14
    1．2．1　几何模型　14
    1．2．2　概率模型　17
    1．2．3　逻辑模型　22
    1．2．4　分组模型与评分模型　26
    1．3　特征：机器学习的马达　26
    1．3．1　特征的两种用法　28
    1．3．2　特征的构造与变换　29
    1．3．3　特征之间的交互　32
    1．4　总结与展望　33
    第2章　两类分类及相关任务　37
    2．1　分类　39
    2．1．1　分类性能的评价　40
    2．1．2　分类性能的可视化　43
    2．2　评分与排序　46
    2．2．1　排序性能的评价及可视化　48
    2．2．2　将排序器转化为分类器　52
    2．3　类概率估计　54
    2．3．1　类概率估计量　55
    2．3．2　将排序器转化为概率估计子　57
    2．4　小结与延伸阅读　59
    第3章　超越两类分类　61
    3．1　处理多类问题　61
    3．1．1　多类分类　61
    3．1．2　多类得分及概率　65
    3．2　回归　68
    3．3　无监督学习及描述性学习　70
    3．3．1　预测性聚类与描述性聚类　71
    3．2．2　其他描述性模型　74
    3．4　小结与延伸阅读　76
    第4章　概念学习　77
    4．1　假设空间　78
    4．1．1　最小一般性　79
    4．1．2　内部析取　82
    4．2　通过假设空间的路径　84
    4．2．1　最一般相容假设　86
    4．2．2　封闭概念　87
    4．3　超越合取概念　88
    4．4　可学习性　92
    4．5　小结与延伸阅读　94
    第5章　树模型　97
    5．1　决策树　100
    5．2　排序与概率估计树　103
    5．3　作为减小方差的树学习方法　110
    5．3．1　回归树　110
    5．3．2　聚类树　113
    5．4　小结与延伸阅读　115
    第6章　规则模型　117
    6．1　学习有序规则列表　117
    6．2　学习无序规则集　124
    6．2．1　用于排序和概率估计的规则集　128
    6．2．2　深入探究规则重叠　130
    6．3　描述性规则学习　131
    6．3．1　用于子群发现的规则学习　131
    6．3．2　关联规则挖掘　135
    6．4　一阶规则学习　139
    6．5　小结与延伸阅读　143
    第7章　线性模型　145
    7．1　最小二乘法　146
    7．1．1　多元线性回归　150
    7．1．2　正则化回归　153
    7．1．3　利用最小二乘回归实现分类　153
    7．2　感知机　155
    7．3　支持向量机　158
    7．4　从线性分类器导出概率　164
    7．5　超越线性的核方法　168
    7．6　小结与延伸阅读　170
    第8章　基于距离的模型　173
    8．1　距离测度的多样性　173
    8．2　近邻与范例　178
    8．3　最近邻分类器　182
    8．4　基于距离的聚类　184
    8．4．1　K均值算法　186
    8．4．2　K中心点聚类　187
    8．4．3　silhouette　188
    8．5　层次聚类　190
    8．6　从核函数到距离　194
    8．7　小结与延伸阅读　195
    第9章　概率模型　197
    9．1　正态分布及其几何意义　200
    9．2　属性数据的概率模型　205
    9．2．1　利用朴素贝叶斯模型实现分类　206
    9．2．2　训练朴素贝叶斯模型　209
    9．3　通过优化条件似然实现鉴别式学习　211
    9．4　含隐变量的概率模型　214
    9．4．1　期望最大化算法　215
    9．4．2　高斯混合模型　216
    9．5　基于压缩的模型　218
    9．6　小结与延伸阅读　220
    第10章　特征　223
    10．1　特征的类型　223
    10．1．1　特征上的计算　223
    10．1．2　属性特征、有序特征及数量特征　227
    10．1．3　结构化特征　228
    10．2　特征变换　229
    10．2．1　阈值化与离散化　229
    10．2．2　归一化与标定　234
    10．2．3　特征缺失　239
    10．3　特征的构造与选择　240
    10．4　小结与延伸阅读　243
    第11章　模型的集成　245
    11．1　Bagging 与随机森林　246
    11．2　Boosting　247
    11．3　集成学习进阶　250
    11．3．1　偏差、方差及裕量　250
    11．3．2　其他集成方法　251
    11．3．3　元学习　252
    11．4　小结与延伸阅读　252
    第12章　机器学习的实验　255
    12．1　度量指标的选择　256
    12．2　量指标的获取　258
    12．3　如何解释度量指标　260
    12．4　小结与延伸阅读　264
    后记　路在何方　267
    记忆要点　269
    参考文献　271
查看详情
相关分类
计算机理论 编程与开发 操作系统 大数据与云计算 图形图像/多媒体 网站设计与网页开发 网络与通讯 硬件、嵌入式开发 办公软件 信息安全 辅助设计与工程计算 软件工程/开发项目管理
系列丛书 / 更多
机器学习
机器学习实战
[美]Peter Harrington 著；李锐、李鹏、曲亚东 译
￥0.01 起
机器学习
图灵程序设计丛书：Python基础教程
[挪威]Magnus Lie Hetland 著；司维、曾军崴、谭颖华 译
￥0.10 起
机器学习
JavaScript高级程序设计（第3版）
[美]Nicholas C.Zakas 著；李松峰、曹力 译
￥0.10 起
机器学习
Python编程：从入门到实践
[美]埃里克·马瑟斯（Eric Matthes） 著；袁国忠 译
￥3.00 起
机器学习
R语言实战（第2版）
[美]卡巴科弗（Robert I. Kabacoff） 著；王小宁、刘撷芯、黄俊文 译
￥3.00 起
机器学习
算法（第4版）
[美]Robert、[美]Kevin Wayne 著；谢路云 译
￥0.50 起
机器学习
大数据：互联网大规模数据挖掘与分布式处理
[美]Anand、[美]Jeffrey David Ullman 著；王斌 译
￥0.01 起
机器学习
Spark快速大数据分析
[美]卡劳（Holden Karau）、[美]肯维尼斯科（Andy Konwinski）、[美]温德尔（Patrick Wendell）、[加拿大]扎哈里亚（Matei Zaharia） 著；王道远 译
￥0.01 起
机器学习
MySQL必知必会
[英]福塔（Ben Forta） 著；刘晓霞、钟鸣 译
￥1.00 起
机器学习
图解HTTP
[日]上野·宣 著；于均良 译
￥1.00 起
机器学习
算法图解
袁国忠 译
￥4.00 起
机器学习
Objective-C基础教程 第2版
[美]Scott、[美]Waqar、[美]Mark Dalrymple 著；周庆成 译
￥0.01 起
相关图书 / 更多
机器学习
机器岛
（法）儒勒·凡尔纳著 许崇山 钟燕萍译
￥29.69 起
机器学习
机器视觉与人工智能应用开发技术
廖建尚
￥34.96 起
机器学习
机器人基础
杨勇、谢广明 主编 张国英、黄福、简月 副主编
￥14.35 起
机器学习
机器学习及深度学习算法在医学图像中的应用
朱付保 著
￥20.25 起
机器学习
机器如人：通往人类智慧之路
（美）罗纳德·J.，布拉赫曼（Ronald，J.，Brachman），（加）赫克托·J.，莱韦斯克（Hector，J.，Levesque）
￥26.21 起
机器学习
机器学习实战（视频教学版）
迟殿委 王培进 王兴平
￥28.00 起
机器学习
机器人SLAM技术及其ROS系统应用 第2版 徐本连 鲁明丽
徐本连 鲁明丽
￥21.54 起
机器学习
机器学习及其应用2023
黄圣君、张利军、钱超
￥50.00 起
机器学习
机器学习及其硬件实现 [日]高野茂之
（日）高野茂之
￥41.58 起
机器学习
机器视觉与传感器技术
邢博闻，许竞翔，管练武
￥21.70 起
机器学习
机器学习系统设计
（越南）奇普 胡岩（Chip Huyen）
￥46.10 起
机器学习
机器人驱动与运动控制
史岳鹏
￥25.40 起
您可能感兴趣 / 更多
机器学习
汗青堂丛书137·君士坦丁堡：举世向往之城，1453—1924
[英]菲利普·曼塞尔 后浪
￥74.70 起
机器学习
好望角丛书·辉煌与苦难：伊拉克6000年
[英]约翰·罗伯逊
￥77.73 起
机器学习
小小蓝，我爱你 母婴大V小土大橙子倾情译介，《猜猜我有多爱你》企鹅爸爸版！ 如大海般深沉辽阔，温暖呈现，充满智慧的父爱绘本。小天角
[英]乔·恩普森 著；小土大橙子 译
￥36.02 起
机器学习
伦勃朗的眼睛：天才与他的时代
[英]西蒙·沙玛
￥140.00 起
机器学习
休谟：人类理智研究-崇文学术译丛·西方哲学04
[英]休谟 著；周晓亮 译
￥17.50 起
机器学习
休谟：道德原理研究-崇文学术译丛·西方哲学05
[英]休谟 著；周晓亮 译
￥17.50 起
机器学习
把孩子变成鸟的女人
[英]大卫·阿尔蒙德
￥32.20 起
机器学习
新视界文库-演化：从单细胞生物到现代人类
[英]理查德·索斯伍德
￥36.58 起
机器学习
宇宙体系（精装典藏版） 世界科普名著经典译丛
[英]牛顿
￥16.34 起
机器学习
大自然的四季歌 自然美育绘本 采用烫金工艺 附赠填色卡 3-12岁
[英]海伦·阿普恩斯瑞 著绘
￥26.21 起
机器学习
自信演讲：掌握魅力演讲技巧，打造个人影响力（精装典藏版） 企鹅管理能力提升“口袋课”
[英] 尼克·戈尔德（Nick Gold）
￥16.34 起
机器学习
有趣的植物
[英]斯图尔特·麦克弗森
￥24.06 起
© 2002-2024 Kongfz.com 孔夫子旧书网 版权所有
关于孔网 联系我们 帮助中心 版权隐私 广告业务 工作机会 移动版 图书目录 图书标签 热搜书籍 作家大全