首页 > 图书中心 >图书详情

模式识别与机器学习

提供课件、习题答案,.初识机器学习,从核心到前沿——熊猫书带你走入机器学习的大门。

作者:孙仕亮、赵静
定价:69.50
印次:1-6
ISBN:9787302558927
出版日期:2020.10.01
印刷日期:2023.07.21

模式识别与机器学习系统介绍了模式识别与机器学习的基础理论、模型与算法,同时兼顾了前沿知识的适当融入。本书以贝叶斯学习的思想贯穿始终,并适时与其他重要知识点(如支持向量机、深度学习)等进行交叉和关联,便于读者在形成良好知识体系的同时保持对整个领域知识的全面把握。 全书共14章和4个附录,循序渐进地对模式识别与机器学习领域进行剖析。首先介绍贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场,接着介绍支持向量机、人工神经网络与深度学习、高斯过程、聚类、主成分分析与相关的谱方法,最后介绍确定性近似推理、随机近似推理和强化学习。附录包括传统的模式识别与机器学习方法近邻法和决策树,还有向量微积分和随机变量的变换等与本学科方向强相关的重要知识点。 本书内容深入浅出,生动有趣,力求反映这一领域的核心知识体系和新的发展趋势。每章内容都尽可能做到丰富完整,并附有思考与计算题,便于读者对知识的巩固和融会贯通。 本书适合作为本科生和研究生(硕/博)课程的教材,也可作为希望从事人工智能相关工作的科技工作者的自学参考书。

more >

前言 最早系统地接触“模式识别与机器学习”是在2001年秋季清华大学开设的“模式识别”课堂上。从那时至今,我一直在模式识别与机器学习领域学习,并从事教学与科研工作。2007年参加工作后,我开始讲授研究生的“模式识别与机器学习”课程,后来也讲授高年级本科生的“模式识别与机器学习”课程。2009年在英国伦敦大学学院的访学进一步拓宽了我的知识面,也促使我萌发了关于该领域应该包含哪些核心内容的思考。在长期的教学与科研过程中,我一方面深感模式识别与机器学习领域发展之快,另一方面随着对该领域认识的加深,也逐渐有了撰写一本体现自己理解与认识的高质量教材的想法。2017年,与清华大学出版社协商后,开始着手具体写作工作。 在成书过程中,为力求做到每章内容丰富完整,两位编著者查阅了大量资料,也参考了所在的“模式识别与机器学习”实验室师生收集的素材,最终完成了对本领域核心内容的系统梳理。全书以贝叶斯学习的思想为潜在主线,从基础理论到典型模型与算法,再到近似推理,循序渐进地呈现模式识别与机器学习的核心知识体系。全书共14章和4个附录,除第1章引言外,第2~14章可以分为三部分: 第2~6章为第一部分,主要介绍贝叶斯学习和概率图模型,包括贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场;第7~11章为第二部分,主要介绍典型场景(如监督/非监督、回归/分类/降维等)下的模型与算法,包括支持向量机、人工神经网络与深度学习、高斯过程、聚类、主成分分析与相关的谱方法;第12~14章为第三部分,主要介绍近似推理和强化学习,包括确定性近似推理、随机近似推理和强化学习。附录包括传统模式识别与机器学习方法中的近邻法和决策树,以及向量微积分和随机变量的变换等与本学科强相关的知识点。 对于书中的知识点,我们都有相关的研究积累或应用经验,这为本书的质量提供了基本保障。但是由于我们的理论水平和实践经验尚有局限性,书中难免存在不足之处,敬请读者能提出宝贵建议,后续有机会再版时将加以改进。 孙仕亮 2020年4月于上海

more >
扫描二维码
下载APP了解更多
图书分类全部图书
more >
  • 本书系统介绍了模式识别与机器学习的基础理论、模型与算法,兼顾前沿知识的融入。以贝叶斯学习思想贯穿始终,并适时与其他重要知识点(如支持向量机、深度学习)等进行交叉和关联,便于读者在形成良好知识体系的同时保持对整个领域知识的把握。全书共14章和4个附录,循序渐进地剖析模式识别与机器学习领域。首先介绍贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场,接着介绍支持向量机、人工神经网络与深度学习、高斯过程、聚类、主成分分析与相关的谱方法,最后介绍确定性近似推理、随机近似推理和强化学习。附录包括传统的模式识别与机器学习方法,即近邻法和决策树,还有向量微积分和随机变量的变换等与本学科强相关的重要知识点。

  • 通俗易懂,配有典型示例
     图文并茂,配有近100幅直观示意图
     算法清晰,做到知其然和知其所以然
     富有深度,包含重要模型扩展
     完整性好,附有重要数学基础
     配套全面,教学和学习无忧

more >
  • 目录

    第1章引言1

    1.1基本概念1

    1.1.1投票选举2

    1.1.2三个小皮匠胜过诸葛亮3

    1.1.3主动学习4

    1.2典型的机器学习系统5

    1.2.1医学图像诊断5

    1.2.2时间序列识别6

    1.2.3对话系统7

    1.2.4异常检测8

    1.3前沿研究方向举例9

    1.3.1多视图机器学习9

    1.3.2强化学习11

    1.3.3可信人工智能11

    1.4后续章节安排13

    参考文献13

    第2章贝叶斯学习基础15

    2.1贝叶斯公式16

    2.2贝叶斯决策18

    2.2.1最小错误率贝叶斯决策18

    2.2.2最小风险贝叶斯决策21

    2.3分类器的相关概念23

    2.3.1分类器、判别函数和决策面24

    2.3.2分类器的错误率25

    2.4基于高斯分布的贝叶斯分类器26

    2.5朴素贝叶斯分类器32

    2.6参数估计33

    2.6.1最大似然估计33

    2.6.2最大后验估计35

    2.6.3期望最大化算法36

    2.6.4贝叶斯参数估计37

    思考与计算38

    参考文献39

    第3章逻辑回归40

    3.1线性回归41

    3.1.1最小二乘与最大似然44

    3.1.2正则化最小二乘与最大后验47

    3.2贝叶斯线性回归50

    3.3逻辑回归52

    3.3.1二类逻辑回归52

    3.3.2多类逻辑回归55

    3.4贝叶斯逻辑回归56

    思考与计算60

    参考文献60

    第4章概率图模型基础61

    4.1有向图模型63

    4.1.1模型表示63

    4.1.2条件独立性65

    4.1.3常见的有向图模型71

    4.2无向图模型73

    4.2.1模型表示7...

精彩书评more >

标题

评论

版权所有(C)2023 清华大学出版社有限公司 京ICP备10035462号 京公网安备11010802042911号

联系我们 | 网站地图 | 法律声明 | 友情链接 | 盗版举报 | 人才招聘