机器学习：贝叶斯和优化方法（英文版·原书第2版）

作者: [希] 西格尔斯·西奥多里蒂斯（Sergios Theodoridis）著

出版社: 机械工业出版社

出版时间: 2020-12

版次: 1

ISBN: 9787111668374

定价: 299.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 1152页

分类: 计算机与互联网

17人买过

本书通过讲解监督学习的两大支柱――回归和分类――将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。西格尔斯·西奥多里蒂斯（Sergios Theodoridis）雅典大学教授，香港中文大学（深圳）教授，研究兴趣包括机器学习、模式识别和信号处理等。他是IEEE Fellow、IET Fellow、EURASIP Fellow，曾任IEEE信号处理协会副主席、EURASIP主席以及IEEE Transactions on Signal Processing主编。曾获2017年EURASIP Athanasios Papoulis奖，2014年IEEE信号处理杂志*佳论文奖，以及2014年EURASIP*有价值服务奖等。此外，他还是经典著作《模式识别》的作者。 Prefaceiv

Acknowledgmentsvi

About the Authorviii

Notationix

CHAPTER1 Introduction1

11 The Historical Context1

12 Artificia Intelligenceand Machine Learning2

13 Algorithms Can Learn WhatIs Hidden in the Data4

14 Typical Applications of Machine Learning6

Speech Recognition6

Computer Vision6

Multimodal Data6

Natural Language Processing7

Robotics7

Autonomous Cars7

Challenges for the Future8

15 Machine Learning: Major Directions8

151 Supervised Learning8

16 Unsupervised and Semisupervised Learning11

17 Structure and a Road Map of the Book12

References16

CHAPTER2 Probability and Stochastic Processes19

21 Introduction20

22 Probability and Random Variables20

221 Probability20

222 Discrete Random Variables22

223 Continuous Random Variables24

224 Meanand Variance25

225 Transformation of Random Variables28

23 Examples of Distributions29

231 Discrete Variables29

232 Continuous Variables32

24 Stochastic Processes41

241 First-and Second-Order Statistics42

242 Stationarity and Ergodicity43

243 Power Spectral Density46

244 Autoregressive Models51

25 Information Theory54

251 Discrete Random Variables56

252 Continuous Random Variables59

26 Stochastic Convergence61

Convergence Everywhere62

Convergence Almost Everywhere62

Convergence in the Mean-Square Sense62

Convergence in Probability63

Convergence in Distribution63

Problems63

References65

CHAPTER3 Learning in Parametric Modeling: Basic Concepts and Directions67

31 Introduction67

32 Parameter Estimation: the Deterministic Point of View68

33 Linear Regression71

34Classifcation75

Generative Versus Discriminative Learning78

35 Biased Versus Unbiased Estimation80

351 Biased or Unbiased Estimation?81

36 The CramrRao Lower Bound83

37 Suffcient Statistic87

38 Regularization89

Inverse Probl
内容简介:
本书通过讲解监督学习的两大支柱――回归和分类――将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。
作者简介:
西格尔斯·西奥多里蒂斯（Sergios Theodoridis）雅典大学教授，香港中文大学（深圳）教授，研究兴趣包括机器学习、模式识别和信号处理等。他是IEEE Fellow、IET Fellow、EURASIP Fellow，曾任IEEE信号处理协会副主席、EURASIP主席以及IEEE Transactions on Signal Processing主编。曾获2017年EURASIP Athanasios Papoulis奖，2014年IEEE信号处理杂志*佳论文奖，以及2014年EURASIP*有价值服务奖等。此外，他还是经典著作《模式识别》的作者。
目录:
Prefaceiv

Acknowledgmentsvi

About the Authorviii

Notationix

CHAPTER1 Introduction1

11 The Historical Context1

12 Artificia Intelligenceand Machine Learning2

13 Algorithms Can Learn WhatIs Hidden in the Data4

14 Typical Applications of Machine Learning6

Speech Recognition6

Computer Vision6

Multimodal Data6

Natural Language Processing7

Robotics7

Autonomous Cars7

Challenges for the Future8

15 Machine Learning: Major Directions8

151 Supervised Learning8

16 Unsupervised and Semisupervised Learning11

17 Structure and a Road Map of the Book12

References16

CHAPTER2 Probability and Stochastic Processes19

21 Introduction20

22 Probability and Random Variables20

221 Probability20

222 Discrete Random Variables22

223 Continuous Random Variables24

224 Meanand Variance25

225 Transformation of Random Variables28

23 Examples of Distributions29

231 Discrete Variables29

232 Continuous Variables32

24 Stochastic Processes41

241 First-and Second-Order Statistics42

242 Stationarity and Ergodicity43

243 Power Spectral Density46

244 Autoregressive Models51

25 Information Theory54

251 Discrete Random Variables56

252 Continuous Random Variables59

26 Stochastic Convergence61

Convergence Everywhere62

Convergence Almost Everywhere62

Convergence in the Mean-Square Sense62

Convergence in Probability63

Convergence in Distribution63

Problems63

References65

CHAPTER3 Learning in Parametric Modeling: Basic Concepts and Directions67

31 Introduction67

32 Parameter Estimation: the Deterministic Point of View68

33 Linear Regression71

34Classifcation75

Generative Versus Discriminative Learning78

35 Biased Versus Unbiased Estimation80

351 Biased or Unbiased Estimation?81

36 The CramrRao Lower Bound83

37 Suffcient Statistic87

38 Regularization89

Inverse Probl