机器学习 计算机与互联网 书籍|8185 pdf epub mobi txt 电子书 下载 2024

图书介绍


机器学习 计算机与互联网 书籍|8185

简体网页||繁体网页
美 Tom Mitchell 著,曾华军 张银奎 等 译



点击这里下载
    


想要找书就要到 静流书站
立刻按 ctrl+D收藏本页
你会得到大惊喜!!

发表于2024-12-25

类似图书 点击查看全场最低价

店铺: 互动出版网图书专营店
出版社: 机械工业出版社
ISBN:7111109937
商品编码:16007151390
丛书名: 计算机科学丛书
出版时间:2003-01-01
页数:280

机器学习 计算机与互联网 书籍|8185 epub 下载 mobi 下载 pdf 下载 txt 电子书 下载 2024

相关图书



机器学习 计算机与互联网 书籍|8185 epub 下载 mobi 下载 pdf 下载 txt 电子书 下载 2024

机器学习 计算机与互联网 书籍|8185 pdf epub mobi txt 电子书 下载



具体描述

 书[0名0]:  机器[0学0]习|8185
 图书定价:  35元
 图书作者:  (美)Tom Mitchell
 出版社:  机械工业出版社
 出版日期:  2003/1/1 0:00:00
 ISBN号:  7111109937
 开本:  16开
 页数:  280
 版次:  1-1
 作者简介
TOM M.Mitchell是卡内基梅隆[0大0][0学0]的教授,讲授“机器(AAA)的主席:美[0国0]《Machine Leaming》杂志、[0国0]际机器[0学0]习年度[0会0]议(ICML)的创始人:多种技术杂志的撰稿人,曾发表过许多文章,出版过多本专著,是机器[0学0]习[0领0]域的著[0名0][0学0]者。
 内容简介
本书展示了机器[0学0]习中核心的算[0法0]和理论,并阐明了算[0法0]的运行过程。本书综合了许多的研究成果,例如统计[0学0]、人工智能、哲[0学0]、信息论、生物[0学0]、认[0知0]科[0学0]、计算复杂性和控制论等,并以此来理解问题的背景、算[0法0]和其中的隐含假定。本书可作为计算机专业 本科生、研究生教材,也可作为相关[0领0]域研究人员、教师的参考书。
 目录

[0第0]1章 引言
1.1 [0学0]习问题的标准描述
1.2 设计-个[0学0]习系统
1.2.1 选择训练经验
1.2.2 选择目标函数
1.2.3 选择目标函数的表示
1. 2.4 选择函数逼近算[0法0]
1.2.5 终设计
1.3 机器[0学0]习的一些观点和问题
1.4 如何阅读本书
1.5 小结和补充读物
习题
[0第0]2章 概念[0学0]习和一般到特殊序
2.1 简介
2.2 概念[0学0]习任务
2.2.1 术语定义
2.2.2 归纳[0学0]习假设
2.3 作为搜索的概念[0学0]习
2.4 FIND-S:寻找[0极0][0大0]特殊假设
2.5 变型空间和候选消除算[0法0]
2.5.1 表示
2.5.2 列表后消除算[0法0]
2.5.3 变型空间的更简洁表示
2.5.4 候选消除[0学0]习算[0法0]
2.5.5 算[0法0]的举例
2.6 关于变型空间和候选消除的说明
2.6.1 候选消除算[0法0]是否[0会0]收敛到正确的假设
2.6.2 下一步需要什么样的训练样例
2.6.3 怎样使用不完全[0学0]习概念
2.7 归纳偏置
2.7.1 -个有偏的假设空间
2.7.2 无偏的[0学0]习器
2.7.3 无偏[0学0]习的无用性
2.8 小始和补充读物
习题
[0第0]3章 决策树[0学0]习
3.1 简介
3.2 决策树表示[0法0]
3.3 决策树[0学0]习的适用问题
3.4 基本的决策树[0学0]习算[0法0]
3.4.1 哪个属性是佳的分类属性
3.4.2 举例
3.5 决策树[0学0]习中的假设空间搜索
3.6 决策树[0学0]习的归纳偏置
3.6.1 限定偏置和[0优0]选偏置
3.6.2 为什么短的假设[0优0]先
3.7 决策树[0学0]习的常见问题
3.7.1 避免过度拟合数据
3. 7.2 合并连续值属性
3.7.3 属性选择的其他度量标准
3.7.4 处理缺少属性值的训练样例
3.7.5 处理不同代价的属性
3.8 小结和补充读物
习题
[0第0]4章 人工神经网络
4.1 简介
4.2 神经网络表示
4.3 适合神经网络[0学0]习的问题
4.4 感[0知0]器
4.4.1 感[0知0]器的表征能力
4. 4.2 感[0知0]器训练[0法0]则
4.4.3 梯度下降和delta[0法0]则
4.4.4 小结
4.5 多层网络和反向传播算[0法0]
4.5.1 可微阈值单元
4.5.2 反向传播算[0法0]
4.5.3 反向传播[0法0]则的推导
4.6 反向传播算[0法0]的说明
4.6.1 收敛性和局部[0极0]小值
4.6.2 前馈网络的表征能力
4.6.3 假设空间搜索和归纳偏置
4.6.4 隐藏层表示
4.6.5 泛化、过度拟合和停止判据
4.7 举例:人脸识别
4.7.1 任务
4.7.2 设计要素
4.7.3 [0学0]习到的隐藏层表示
4.8 人工神经网络的高级课题
4.8.1 其他可选的误差函数
4.8.2 其他可选的误差小化过程
4.8.3 递归网络
4.8.4 动态修改网络结构
4.9 小结和补充读物
习题
[0第0]5章 [0评0]估假设
5.1 动机
5.2 估计假设精度
5.2.1 样本错误率和真实错误率
5.2.2 离散值假设的置信区间
5.3 采样理论基础
5.3.1 错误率估计和二项比例估计
5.3.2 二项分布
5.3.3 均值和方差
5.3.4 估计量、偏差和方差
5.3.5 置信区间
5.3.6 [0[0双0]0]侧和单侧边界
5.4 推导置信区间的一般方[0法0]
5.5 两个假设错误率间的差异
5.6 [0学0]习算[0法0]比较
5.6. 1 配对t测试
5.6.2 实际考虑
5.7 小结和补充读物
习题
[0第0]6章 贝叶斯[0学0]习
6.1 简介
6.2 贝叶斯[0法0]则
6.3 贝叶斯[0法0]则和概念[0学0]习
6.3.1 BRUTE-FORCE贝叶斯概念[0学0]习
6.3.2 MAP假设和一致[0学0]习器
6.4 [0极0][0大0]似然和小误差平方假设
6.5 用于预测概率的[0极0][0大0]似然假设
6.6 小描述长度准则
6.7 贝叶斯[0优0]分类器
6.8 GIBBS算[0法0]
6.9 朴素贝叶斯分类器
6.10 举例:[0学0]习分类文本
6.11 贝叶斯信念网
6.11.1 条件[0独0]立性
6.11.2 表示
6.11.3 推理
6.11.4 [0学0]习贝叶斯信念网
6.11.5 贝叶斯网的梯度上升训练
6.11.6 [0学0]习贝叶斯网的结构
6.12 EM算[0法0]
6.12.1 估计k个高斯分布的均值
6.12.2 EM算[0法0]的一般表述
6.12.3 k均值算[0法0]的推导
6.13 小结和补充读物
习题
[0第0]7章 计算[0学0]习理论
7.1 简介
7.2 可能[0学0]习近似正确假设
7.2.1 问题框架
7.2.2 假设的错误率
7.2.3 PAC可[0学0]习性
7.3 有限假设空间的样本复杂度
7.3.1 不可[0知0][0学0]习和不一致假设
7.3.2 布尔文字的合取是PAC可[0学0]习的
7.3.3 其他概念类别的PAC可[0学0]习性
7.4 无限假设空间的样本复杂度
7.4.1 打散一个实例集合
7.4.2 Vapnik-Chervonenkis维度
7.4.3 样本复杂度和VC维
7.4.4 神经网络的VC维
7.5 [0学0]习的出错界限模型
7.5.1 FIND-S算[0法0]的出错界限
7.5.2 HALVING算[0法0]的出错界限
7.5.3 [0优0]出错界限
7.5.4 加[0权0]多数算[0法0]
7.6 小结和补充读物
习题
[0第0]8章 基于实例的[0学0]习
8.1 简介
8.2 k-近邻算[0法0]
8.2.1 距离加[0权0]近邻算[0法0]
8.2.2 对k-近邻算[0法0]的说明
8.2.3 术语注解
8.3 局部加[0权0]回归
8.3.1 局部加[0权0]线性回归
8.3.2 局部加[0权0]回归的说明
8.4 径向基函数
8.5 基于案例的推理
8.6 对消[0极0][0学0]习和积[0极0][0学0]习的[0评0]论
8.7 小结和补充读物
习题
[0第0]9章 遗传算[0法0]
9.1 动机
9.2 遗传算[0法0]
9.2.1 表示假设
9.2.2 遗传算子
9.2.3 适应度函数和假设选择
9.3 举例
9.4 假设空间搜索
9.5 遗传编程
9.5.1 程序表示
9.5.2 举例
9.5.3 遗传编程说明
9.6 进化和[0学0]习模型
9.6.1 拉马克进化
9.6.2 鲍德温效应
9.7 并行遗传算[0法0]
9.8 小结和补充读物
习题
[0第0]10章 [0学0]习规则集合
10.1 简介
10.2 序列覆盖算[0法0]
10.2.1 一般到特殊的柱状搜索
10.2.2 几种变型
10.3 [0学0]习规则集:小结
10.4 [0学0]习一阶规则
10.4.1 一阶Horn子句
10.4.2 术语
10.5 [0学0]习一阶规则集:FOIL
10.5.1 FOIL中的候选特化式的生成
10.5.2 引导FOIL的搜索
10.5.3 [0学0]习递归规则集
10.5.4 FOIL小结
10.6 作为逆演绎的归纳
10.7 逆归纳
10.7.1 一阶归纳
10.7.2 逆归纳:一阶情况
10.7.3 逆归纳小结
10.7.4 泛化、-包容和涵蕴
10.7.5 PROGOL
10.8 小结和补充读物
习题
[0第0]11章 分析[0学0]习
11.1 简介
11.2 用完美的[0领0]域理论[0学0]习:PROLOG-EBG
11.3 对基于解释的[0学0]习的说明
11.3.1 发现新特征
11.3.2 演绎[0学0]习
11.3.3 基于解释的[0学0]习的归纳偏置
11.3.4 [0知0]识级的[0学0]习
11.4 搜索控制[0知0]识的基于解释的[0学0]习
11.5 小结和补充读物
习题
[0第0]12章 归纳和分析[0学0]习的结合
12.1 动机
12.2 [0学0]习的归纳-分析途径
12.2.1 [0学0]习问题
12.2.2 假设空间搜索
12.3 使用先验[0知0]识得到初始假设
12.3.1 KBANN算[0法0]
12.3.2 举例
12.3.3 说明
12.4 使用先验[0知0]识改变搜索目标
12.4.1 TANGENTPROP算[0法0]
12.4.2 举例
12.4.3 说明
12.4.4 EBNN算[0法0]
12.4.5 说明
12.5 使用先验[0知0]识来扩展搜索算子
12.5.1 FOCL算[0法0]
12.5.2 说明
12.6 研究现状
12.7 小结和补充读物
习题
[0第0]13章 增强[0学0]习
13.1 简介
13.2 [0学0]习任务
13.3 Q[0学0]习
13.3.1 Q函数
13.3.2 一个[0学0]习Q的算[0法0]
13.3.3 举例
13.3.4 收敛性
13.3.5 实验策略
13.3.6 更新序列
13.4 非确定性回报和动作
13.5 时间差分[0学0]习
13.6 从样例中泛化
13.7 与动态规划的联乐
13.8 小结和补充读物
习题
附录 符号约定
 编辑推荐
《计算机科[0学0]丛书:机器[0学0]习》编辑推荐:如何让计算机随着经验的积累自动提高性能?这就是机器[0学0]习的目的。《机器[0学0]习》展示了机器[0学0]习中核心的算[0法0]和理论,并阐明了算[0法0]的运行过程。《机器[0学0]习》综合了许多的研究成果,例如统计[0学0]、人工智能、哲[0学0]、信息论、生物[0学0]、认[0知0]科[0学0]、计算复杂性和控制论等,并以此来理解问题的背景、算[0法0]和其中的隐含假定。< 机器学习 计算机与互联网 书籍|8185 电子书 下载 mobi epub pdf txt
机器学习 计算机与互联网 书籍|8185 pdf epub mobi txt 电子书 下载
想要找书就要到 静流书站
立刻按 ctrl+D收藏本页
你会得到大惊喜!!

用户评价

评分

发货极慢

评分

就使用而言没什么问题,但是书脊有破损,不知道是商家还是快递的原因

评分

上课用的课本

评分

很及时,质量可以

评分

还可以的。书很不错的?

评分

不错

评分

不错

评分

发货极慢

评分

此用户未填写评价内容

类似图书 点击查看全场最低价

机器学习 计算机与互联网 书籍|8185 pdf epub mobi txt 电子书 下载


分享链接


去京东购买 去京东购买
去淘宝购买 去淘宝购买
去当当购买 去当当购买
去拼多多购买 去拼多多购买


机器学习 计算机与互联网 书籍|8185 bar code 下载
扫码下载










相关图书




本站所有内容均为互联网搜索引擎提供的公开搜索信息,本站不存储任何数据与内容,任何内容与数据均与本站无关,如有需要请联系相关搜索引擎包括但不限于百度google,bing,sogou

友情链接

© 2024 windowsfront.com All Rights Reserved. 静流书站 版权所有