0人評分過此書
本书包含机器学习的基础知识和统计学习模型，更强调理论的深入理解以及用代码实践结合理论进行讲解。
- 封面页
- 书名页
- 版权页
- 内容简介
- 前言
- 目录
-
第1章 防止过拟合
-
1.1 过拟合和欠拟合的背后
-
1.2 性能度量和损失函数
-
1.3 假设空间和VC维
-
1.4 偏差方差分解的意义
-
1.5 正则化和参数绑定
-
1.6 使用scikit-learn
-
-
第2章 特征选择
-
2.1 包裹法Warpper
-
2.2 过滤法Filter
-
2.3 嵌入法Embedded
-
2.4 使用scikit-learn
-
-
第3章 回归算法中的贝叶斯
-
3.1 快速理解判别式模型和生成式模型
-
3.2 极大似然估计和平方损失
-
3.3 最大后验估计和正则化
-
3.4 贝叶斯线性估计
-
3.5 使用scikit-learn
-
-
第4章 分类算法中的贝叶斯
-
4.1 广义线性模型下的sigmoid函数和softmax函数
-
4.2 对数损失和交叉熵
-
4.3 逻辑回归的多项式拓展和正则化
-
4.4 朴素贝叶斯分类器
-
4.5 拉普拉斯平滑和连续特征取值的处理方法
-
4.6 使用scikit-learn
-
-
第5章 非参数模型
-
5.1 K近邻与距离度量
-
5.2 K近邻与kd数
-
5.3 决策树和条件熵
-
5.4 决策树的剪枝
-
5.5 连续特征取值的处理方法和基尼指数
-
5.6 回归树
-
5.7 使用scikit-learn
-
-
第6章 核方法
-
6.1 核方法的本质
-
6.2 对偶表示和拉格朗日乘子法
-
6.3 常见算法的核化拓展
-
6.4 高斯过程
-
6.5 使用scikit-learn
-
-
第7章 混合高斯：比高斯分布更强大
-
7.1 聚类的重要问题
-
7.2 潜变量与K均值
-
7.3 混合高斯和极大似然估计的失效
-
7.4 EM算法的核心步骤
-
7.5 使用scikit-learn
-
-
第8章 模型组合策略
-
8.1 Bagging和随机森林
-
8.2 Boosting的基本框架
-
8.3 Adaboost
-
8.4 GBDT和XGBoost
-
8.5 使用scikit-learn
-
-
第9章 核化降维和学习流形
-
9.1 线性降维
-
9.2 核化线性降维
-
9.3 流形学习
-
9.4 使用scikit-learn
-
-
第10章 处理时间序列
-
10.1 概率图模型和隐变量
-
10.2 高阶马尔可夫模型
-
10.3 隐马尔可夫模型
-
10.4 隐马尔可夫模型的EM算法
-
10.5 使用scikit-learn
-
- 参考文献
- 出版地 ： 中國大陸
- 語言 ： 簡體中文
評分與評論
請登入後再留言與評分
EPUB
PDF
EPUB
EPUB
EPUB
