首页 > 图书中心 >图书详情

统计学习方法(第2版)

作者:李航
定价:98
印次:2-5
ISBN:9787302517276
出版日期:2019.05.01
印刷日期:2019.11.01

本书全面系统地介绍了统计学习的主要方法,共分两篇。第一篇系统介绍监督学习的各种重要方法,包括决策树、感知机、支持向量机、最大熵模型与逻辑斯谛回归、推进法、多类分类法、EM算法、隐马尔科夫模型和条件随机场等;第二篇介绍无监督学习,包括聚类、奇异值、主成分分析、潜在语义分析等。两篇中,除概论和总结外,每章介绍一或二种方法。

more >

第 2版序言 《统计学习方法》第 1版于 2012年出版,讲述了统计机器学习方法,主要是一些常用的监督学习方法。第 2版增加了一些常用的无监督学习方法,由此本书涵盖了传统统计机器学习方法的主要内容。 在撰写《统计学习方法》伊始,对全书内容做了初步规划。第 1版出版之后,即着手无监督学习方法的写作。由于写作是在业余时间进行,常常被主要工作打断,历经六年多时间才使这部分工作得以完成。犹未能加入深度学习和强化学习等重要内容,希望今后能够增补,完成整本书的写作计划。 《统计学习方法》第 1版的出版正值大数据和人工智能的热潮,生逢其时,截至 2019年 4月本书共印刷 25次,152000册,得到了广大读者的欢迎和支持。有许多读者指出本书对学习和掌握机器学习技术有极大的帮助,也有许多读者通过电子邮件、微博等方式指出书中的错误,提出改进的建议和意见。一些高校将本书作为机器学习课程的教材或参考书。有的同学在网上发表了读书笔记,有的同学将本书介绍的方法在计算机上实现。清华大学深圳研究生院袁春老师精心制作了第 1版十二章的课件,在网上公布,为大家提供教学之便。众多老师、同学、读者的支持和鼓励,让作者深受感动和鼓舞。在这里向所有的老师、同学、读者致以诚挚的谢意! 能为中国的计算机科学、人工智能领域做出一点微薄的贡献,感到由衷的欣慰,同时也感受到作为知识传播者的重大责任,让作者决意把本书写好。也希望大家今后不吝指教,多提宝贵意见,以帮助继续提高本书的质量。在写作中作者也深切体会到教学相长的道理,经常发现自己对基础知识的掌握不够扎实,通过写作得以对相关知识进行了深入的学习,受益匪浅。 本书是一部机器学习的基本读物,要求读者拥有高等数学、线性代数和概率统计的基础知识。书中主要讲述统计机器学习的方法,力求系统全面又简明扼要地阐述这些方法的理论、算法和应用,使读者能对这些机器学习的基本技术有很好的掌握。针对每个方法,详细介绍其基本原理、基础理论、实际算法,给出细致的数学推导和具体实例,既帮助读者理解,也便于日后复习。 第 2版增加的无监督学习方法,王泉、陈嘉怡、柴琛林、赵程绮等帮助做了认真细致的校阅,提出了许多宝贵意见,在此谨对他们表示衷心的感谢。清华大学出版社的薛慧编辑一直对本书的写作给予非常专业的指导和帮助,在此对她表示衷心的感谢! 由于本人水平有限,本书一定存在不少错误,恳请各位专家、老师和同学批评指正。 李航 2019年 4月

more >
扫描二维码
下载APP了解更多
图书分类全部图书
more >
  • 李航,男,毕业于日本京都大学电气电子工程系,日本东京大学获得计算机科学博士学位。北京大学、南京大学兼职教授。曾任日本NEC公司中央研究所研究员,微软亚洲研究院高级研究员与主任研究员、华为技术有限公司诺亚方舟实验室主任。现任今日头条人工智能实验室主任。
  • 随着人工智能和大数据在社会各行各业的广泛应用,统计学习方法已经成为人们急需了解与掌握的热门知识与技术。本书为具有高等数学、线性代数和概率统计基础知识的人们提供了一本统计机器学习的基本读物。2012年的第一版叙述了一批重要和常用的主要是监督学习的方法,受到广大读者的欢迎,已加印十三万多册。第二版主要增加了无监督学习的内容,包括近十种统计学习方法,使读者能够更好地了解和掌握统计机器学习这门新兴学科。

more >
  • 目录

    1篇

    第 1章统计学习及监督学习概论 . 3

    1.1统计学习 . 3

    1.2统计学习的分类 . 5

    1.2.1基本分类 . 6

    1.2.2按模型分类 11

    1.2.3按算法分类 13

    1.2.4按技巧分类 13

    1.3统计学习方法三要素 15

    1.3.1模型 15

    1.3.2策略 16

    1.3.3算法 19

    1.4模型评估与模型选择 19

    1.4.1训练误差与测试误差 19

    1.4.2过拟合与模型选择 20

    1.5正则化与交叉验证 23

    1.5.1正则化 23

    1.5.2交叉验证 . 24

    1.6泛化能力 . 24

    1.6.1泛化误差 . 24

    1.6.2泛化误差上界 25

    1.7生成模型与判别模型 27

    1.8监督学习应用 28

    1.8.1分类问题 . 28

    1.8.2标注问题 . 30

    1.8.3回归问题 . 32

    本章概要 33

    继续阅读 33

    习题 33

    参考文献 34

    第 2章感知机 35

    2.1感知机模型 35

    2.2感知机学习策略 . 36

    2.2.1数据集的线性可分性 36

    2.2.2感知机学习策略 . 37

    2.3感知机学习算法 . 38

    2.3.1感知机学习算法的原始形式 38

    2.3.2算法的收敛性 41 ...

版本展示

配套推荐more >

精彩书评more >

标题

评论

版权所有(C)2019 清华大学出版社有限公司 京ICP备10035462号 京公网安备11010802013248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