机器学习基础教程

机器学习基础教程 郭茂祖 / 王春宇 刘扬 刘晓燕 / 刘扬 / 刘晓燕著

机器学习
浏览人数:383
读者: ...
出版者的话   
译者序   
前言   
第1章 线性建模:最小二乘法1   
1.1 线性建模1   
1.2 预测9   
1.3 向量/矩阵符号12   
1.4 线性模型的非线性响应19   
1.5 泛化与过拟合22   
1.6 正则化最小二乘法25   
1.7 练习27   
其他阅读材料28   
第2章 线性建模:最大似然方法29   
2.1 误差作为噪声29   
2.2 随机变量和概率30   
2.3 常见的离散分布39   
2.4 连续型随机变量——概率密度函数40   
2.5 常见的连续概率密度函数42   
2.6 产生式的考虑(续)46   
2.7 似然估计47   
2.8 偏差方差平衡问题53   
2.9 噪声对参数估计的影响53   
2.10 预测值的变异性59   
2.11 练习63   
其他阅读材料64   
第3章 机器学习的贝叶斯方法66   
3.1 硬币游戏66   
3.2 精确的后验70   
3.3 三个场景71   
3.4 边缘似然估计80   
3.5 超参数82   
3.6 图模型83   
3.7 奥运会100米数据的贝叶斯处理实例84   
3.8 边缘似然估计用于多项式模型阶的选择90   
3.9 小结91   
3.10 练习91   
其他阅读材料92   
第4章 贝叶斯推理94   
4.1 非共轭模型94   
4.2 二值响应94   
4.3 点估计:最大后验估计方案96   
4.4 拉普拉斯近似100   
4.5 抽样技术103   
4.6 小结111   
4.7 练习111   
其他阅读材料111   
第5章 分类113   
5.1 一般问题113   
5.2 概率分类器113   
5.3 非概率分类器123   
5.4 评价分类器的性能133   
5.5 判别式和产生式分类器136   
5.6 小结136   
5.7 练习136   
其他阅读材料137   
第6章 聚类分析138   
6.1 一般问题138   
6.2 K均值聚类139   
6.3 混合模型144   
6.4 小结157   
6.5 练习157   
其他阅读材料158   
第7章 主成分分析与隐变量模型159   
7.1 一般问题159   
7.2 主成分分析161   
7.3 隐变量模型165   
7.4 变分贝叶斯166   
7.5 PCA的概率模型168   
7.6 缺失值174   
7.7 非实值数据177   
7.8 小结184   
7.9 练习184   
其他阅读材料184   
词汇表185   
索引188   
网络资源

来自新浪微盘的资源
来自CSDN下载频道的资源
来自盘多多的资源
Python学习教程pdf版 ---
Python 深度学习和机器学习基础视频教程 ---
斯坦福大学-深度学习基础教程.pdf 9 MB
教程-机器学习PDF ---
深度学习基础教程.pdf 9 MB
来自搜百度盘的资源
作者简介
评论