图书介绍
机器学习 理论 实践与提高PDF|Epub|txt|kindle电子书版本网盘下载
- （法）马西-雷萨·阿米尼（Massih-Reza Amini） 著
- 出版社： 北京：人民邮电出版社
- ISBN：9787115479655
- 出版时间：2018
- 标注页数：219页
- 文件大小：25MB
- 文件页数：235页
- 主题词：机器学习
PDF下载
下载说明
机器学习 理论 实践与提高PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 机器学习理论简述1
1.1 经验误差最小化2
1.1.1 假设与定义2
1.1.2 原理陈述4
1.2 经验风险最小化原理的一致性4
1.2.1 在测试集上估计泛化误差6
1.2.2 泛化误差的一致边界7
1.2.3 结构风险最小化15
1.3 依赖于数据的泛化误差界17
1.3.1 Rademacher复杂度17
1.3.2 Rademacher复杂度和VC维的联系17
1.3.3 利用Rademacher复杂度获取泛化界的步骤19
1.3.4 Rademacher复杂度的性质23
第2章 无约束凸优化算法26
2.1 梯度法29
2.1.1 批处理模式29
2.1.2 在线模式31
2.2 拟牛顿法32
2.2.1 牛顿方向32
2.2.2 Broyden-Fletcher-Goldfarb-Shanno公式33
2.3 线搜索36
2.3.1 Wolfe条件37
2.3.2 基于回溯策略的线搜索41
2.4 共轭梯度法43
2.4.1 共轭方向43
2.4.2 共轭梯度算法46
第3章 二类分类48
3.1 感知机48
3.1.1 感知机的收敛性定理51
3.1.2 带间隔感知机及其与经验风险最小化原理的联系53
3.2 Adaline54
3.2.1 与线性回归和经验风险最小化原理的联系54
3.3 Logistic回归56
3.3.1 与经验风险最小化原理的联系57
3.4 支持向量机58
3.4.1 硬间隔58
3.4.2 软间隔63
3.4.3 基于间隔的泛化误差界66
3.5 AdaBoost68
3.5.1 与经验风险最小化原理的联系70
3.5.2 拒绝法抽样72
3.5.3 理论研究73
第4章 多类分类76
4.1 形式表述76
4.1.1 分类误差77
4.1.2 泛化误差界77
4.2 单一法80
4.2.1 多类支持向量机80
4.2.2 多类AdaBoost84
4.2.3 多层感知机87
4.3 组合二类分类算法的模型91
4.3.1 一对全91
4.3.2 一对一92
4.3.3 纠错码93
第5章 半监督学习95
5.1 无监督框架和基本假设95
5.1.1 混合密度模型96
5.1.2 估计混合参数96
5.1.3 半监督学习的基本假设102
5.2 生成法104
5.2.1 似然准则在半监督学习情形的推广104
5.2.2 半监督CEM算法105
5.2.3 应用：朴素贝叶斯分类器的半监督学习106
5.3 判别法108
5.3.1 自训练算法109
5.3.2 转导支持向量机111
5.3.3 贝叶斯分类器误差的转导界113
5.3.4 基于伪标注的多视角学习116
5.4 图法118
5.4.1 标注的传播119
5.4.2 马尔可夫随机游动121
第6章 排序学习123
6.1 形式表述123
6.1.1 排序误差函数124
6.1.2 样例排序127
6.1.3 备择排序128
6.2 方法130
6.2.1 单点法130
6.2.2 成对法135
6.3 互相关数据的学习144
6.3.1 测试界146
6.3.2 泛化界146
6.3.3 一些具体例子中的界的估计151
附录 回顾和补充155
附录A 概率论回顾156
A.1 概率测度156
A.1.1 可概率化空间156
A.1.2 概率空间157
A.2 条件概率158
A.2.1 贝叶斯公式158
A.2.2 独立性159
A.3 实随机变量159
A.3.1 分布函数160
A.3.2 随机变量的期望和方差161
A.3.3 集中不等式162
附录B 程序代码166
B.1 数据结构166
B.1.1 数据集166
B.1.2 超参数结构167
B.2 稀疏表示168
B.3 程序运行170
B.4 代码172
B.4.1 BGFS算法（2.2.2节）172
B.4.2 线搜索（2.3节）175
B.4.3 共轭梯度法（2.4节）178
B.4.4 感知机（3.1节）180
B.4.5 Adaline算法（3.2节）181
B.4.6 Logistic回归（3.3节）182
B.4.7 AdaBoost算法（3.5节）184
B.4.8 AdaBoost M2算法（4.2.2节）188
B.4.9 多层感知机（4.2.3节）192
B.4.10 K-均值算法（5.1.2节）195
B.4.11 半监督朴素贝叶斯（5.2.3节）197
B.4.12 自学习（5.3.1节）201
B.4.13 一次性自学习（5.3.1节）204
B.4.14 PRank算法（6.2.1节）205
B.4.15 RankBoost算法（6.2.2节）207
参考文献211