pdf

统计学习方法 - 李航

  • 1星
  • 日期: 2021-05-04
  • 大小: 19.92MB
  • 所需积分:0分
  • 下载次数:1
  • favicon收藏
  • rep举报
  • free评论
标签: 机器学习

机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。

AI

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

统计学习是计算机及其应用领域的一门重要的学科。本书全面系统地介绍了统计学习的主要方法,特别是监督学习方法,包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外,每章介绍一种方法。叙述从具体问题或实例入手,由浅入深,阐明思路,给出必要的数学推导,便于读者掌握统计学习方法的实质,学会运用。为满足读者进一步学习的需要,书中还介绍了一些相关研究,给出了少量习题,列出了主要参考文献。

《统计学习方法》是统计学习及相关课程的教学参考书,适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生,也可供从事计算机应用相关专业的研发人员参考。

《统计学习方法》

第1章统计学习方法概论

1.1统计学习

1.2监督学习

1.2.1基本概念

1.2.2问题的形式化

1.3统计学习三要素

1.3.1模型

1.3.2策略

1.3.3算法

1.4模型评估与模型选择

1.4.1训练误差与测试误差

1.4.2过拟合与模型选择

1.5i~则化与交叉验证

1.5.1正则化

1.5.2交叉验证

1.6泛化能力

1.6.1泛化误差

1.6.2泛化误差上界

1.7生成模型与判别模型

.1.8分类问题

1.9标注问题

1.10回归问题

本章概要

继续阅读

习题

参考文献

第2章感知机

2.1感知机模型

2.2感知机学习策略

2.2.1数据集的线性可分性

2.2.2感知机学习策略

2.3感知机学习算法

2.3.1感知机学习算法的原始形式

2.3.2算法的收敛性

2.3.3感知机学习算法的对偶形式

本章概要

继续阅读

习题

参考文献

第3章众近邻法

3.1  k近邻算法

3.2  k近邻模型

3.2.1模型

3.2.2距离度量

·3.2.3  k值的选择

3.2.4分类决策规则

3.3k近邻法的实现:kd树

3.3.1构造af树

3.3.2搜索af树

本章概要

继续阅读

习题

参考文献

第4章朴素贝叶斯法

4.1朴素贝叶斯法的学习与分类

4.1.1基本方法

4.1.2后验概率最大化的含义

4.2朴素贝叶斯法的参数估计

4.2.1极大似然估计

4.2.2学习与分类算法

4.2.3贝叶斯估计

本章概要

继续阅读

习题

参考文献

第5章决策树

5.1决策树模型与学习

5.1.1决策树模型

5.1.2决策树与isthen规则

5.1.3决策树与条件概率分布

5.1.4决策树学习

5.2特征选择

5.2.1特征选择问题

5.2.2信息增益

5.2.3信息增益比

5.3决策树的生成

5.3.11d3算法

5.3.2  c4.5的生成算法

5.4决策树的剪枝

5.5cart算法

5.5.1cart生成

5.5.2cart剪枝

本章概要

继续阅读

习题

参考文献

第6章逻辑斯谛回归与最大熵模型

6.1逻辑斯谛回归模型

6.1.1逻辑斯谛分布

6.1.2项逻辑斯谛回归模型

6.1.3模型参数估计

6.1.4多项逻辑斯谛回归

6.2最大熵模型

6.2.1最大熵原理

6.2.2最大熵模型的定义

6.2.3最大熵模型的学习

6.2.4极大似然估计

6.3模型学习的最优化算法

6.3.1改进的迭代尺度法

6.3.2拟牛顿法

本章概要

继续阅读

习题

参考文献

第7章支持向量机

7.1线性可分支持向量机与硬间隔最大化

7.1.1线性可分支持向量机

7.1.2函数间隔和几何间隔

7.1.3间隔最大化

7.1.4学习的对偶算法

7.2线性支持向量机与软间隔最大化

7.2.1线性支持向量机

7.2.2学习的对偶算法

7.2.3支持向量

7.2.4合页损失函数

7.3非线性支持向量机与核函数

7.3.1核技巧

7.3.2定核

7.3.3常用核函数

7.3.4非线性支持向量分类机

7.4序列最小最优化算法

7.4.1两个变量二次规划的求解方法

7.4.2变量的选择方法

7.4.3smo算法

本章概要

继续阅读

习题

参考文献

第8章提升方法

8.1提升方法adaboost算法

8.1.1提升方法的基本思路

8.1.2adaboost算法

8.1.3  adaboost的例子

8.2adaboost算法的训练误差分析

8.3  adaboost算法的解释

8.3.1前向分步算法

8.3.2前向分步算法与ad9boost

8.4提升树

8.4.1提升树模型

8.4.2提升树算法

8.4.3梯度提升

本章概要

继续阅读

习题

参考文献

第9章em算法及其推广

9.1em算法的引入

9.1.1em算法

9.1.2em算法的导出

9.1.3em算法在非监督学习中的应用

9.2em算法的收敛性

9.3em算法在高斯混合模型学习中的应用

9.3.1高斯混合模型

9.3.2高斯混合模型参数估计的em算法

9.4em算法的推广

9.4.1f函数的极大极大算法

9.4.2gem算法

本章概要

继续阅读

习题

参考文献

第10章隐马尔可夫模型

10.1隐马尔可夫模型的基本概念

10.1.1隐马尔可夫模型的定义

10.1.2观测序列的生成过程

10.1.3隐马尔可夫模型的3个基本问题

10.2概率计算算法

10.2.1直接计算法

10.2.2前向算法

10.2.3后向算法

10.2.4一些概率与期望值的计算

10.3学习算法

10.3.1监督学习方法

10.3.2baum-welch算法

10.3.3baum-welch模型参数估计公式

10.4预测算法

10.4.1近似算法

10.4.2维特比算法

本章概要

继续阅读

习题

参考文献

第11章条件随机场

11.1概率无向图模型

11.1.1模型定义

11.1.2概率无向图模型的因子分解

11.2条件随机场的定义与形式

11.2.1条件随机场的定义

11.2.2条件随机场的参数化形式

11.2.3条件随机场的简化形式

11.2.4条件随机场的矩阵形式

11.3条件随机场的概率计算问题

11.3.1前向后向算法

11.3.2概率计算

11.3.3期望值的计算

11.4条件随机场的学习算法

11.4.1改进的迭代尺度法

11.4.2拟牛顿法

11.5条件随机场的预测算法

本章概要

继续阅读

习题

参考文献

第12章统计学习方法总结

附录a梯度下降法

附录b牛顿法和拟牛顿法

附录c拉格朗日对偶性

索引

更多简介内容

推荐帖子

评论

登录/注册

意见反馈

求资源

回顶部

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版 版权声明

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2021 EEWORLD.com.cn, Inc. All rights reserved
$(function(){ var appid = $(".select li a").data("channel"); $(".select li a").click(function(){ var appid = $(this).data("channel"); $('.select dt').html($(this).html()); $('#channel').val(appid); }) })
×