| 失效链接处理 |
|
统计机器学习导论 PDF 下载
转载自：https://download.csdn.net/download/lightinight/11150391
本站整理下载：
版权归出版社和原作者所有，链接已删除，请购买正版
用户下载说明：
电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：
http://product.dangdang.com/25273237.html
相关截图：
资料简介：
本书对机器学习的关键知识点进行了全面讲解，帮助读者顺利完成从理论到实践的过渡。书中首先介绍用于描述机器学习算法的统计与概率的知识，接着详细分析机器学习技术的两类主要方法——生成方法和判别方法，后深入研究了如何使机器学习算法在实际应用中发挥更大的作用。本书提供程序源代码，便于读者进行数据分析实践。本书适合高等院校计算机、统计等专业的研究生和高年级本科生阅读，同时也适合相关领域的技术人员参考。
资料目录：
译者序 前言 作者简介 第一部分绪论 第1章统计机器学习 1.1学习的类型 1.2机器学习任务举例 1.2.1监督学习 1.2.2非监督学习 1.2.3进一步的主题 1.3本书结构 第二部分概率与统计 第2章随机变量与概率分布 2.1数学基础 2.2概率 2.3随机变量和概率分布 2.4概率分布的性质 2.4.1期望、中位数和众数 2.4.2方差和标准差 2.4.3偏度、峰度和矩 2.5随便变量的变换 第3章离散概率分布的实例 3.1离散均匀分布 3.2二项分布 3.3超几何分布 3.4泊松分布 3.5负二项分布 3.6几何分布 第4章连续概率分布的实例 4.1连续均匀分布 4.2正态分布 4.3伽马分布、指数分布和卡方分布 4.4Beta分布 4.5柯西分布和拉普拉斯分布 4.6t分布和F分布 第5章多维概率分布 5.1联合概率分布 5.2条件概率分布 5.3列联表 5.4贝叶斯定理 5.5协方差与相关性 5.6独立性 第6章多维概率分布的实例 6.1多项分布 6.2多元正态分布 6.3狄利克雷分布 6.4威沙特分布 第7章独立随机变量之和 7.1卷积 7.2再生性 7.3大数定律 7.4中心极限定理 第8章概率不等式 8.1联合界 8.2概率不等式 8.2.1马尔可夫不等式和切尔诺夫不等式 8.2.2坎泰利不等式和切比雪夫不等式 8.3期望不等式 8.3.1琴生不等式 8.3.2赫尔德不等式和施瓦茨不等式 8.3.3闵可夫斯基不等式 8.3.4康托洛维奇不等式 8.4独立随机变量和的不等式 8.4.1切比雪夫不等式和切尔诺夫不等式 8.4.2霍夫丁不等式和伯恩斯坦不等式 8.4.3贝内特不等式 第9章统计估计 9.1统计估计基础 9.2点估计 9.2.1参数密度估计 9.2.2非参数密度估计 9.2.3回归和分类 9.2.4模型选择 9.3区间估计 9.3.1基于正态样本期望的区间估计 9.3.2bootstrap置信区间 9.3.3贝叶斯置信区间 第10章假设检验 10.1假设检验基础 10.2正态样本期望的检验 10.3尼曼皮尔森引理 10.4列联表检验 10.5正态样本期望差值检验 10.5.1无对应关系的两组样本 10.5.2有对应关系的两组样本 10.6秩的无参检验 10.6.1无对应关系的两组样本 10.6.2有对应关系的两组样本 10.7蒙特卡罗检验 第三部分统计模式识别的生成式方法 第11章通过生成模型估计的模式识别 11.1模式识别的公式化 11.2统计模式识别 11.3分类器训练的准则 11.3.1最大后验概率规则 11.3.2最小错误分类率准则 11.3.3贝叶斯决策规则 11.3.4讨论 11.4生成式方法和判别式方法 第12章极大似然估计 12.1定义 12.2高斯模型 12.3类后验概率的计算 12.4Fisher线性判别分析 12.5手写数字识别 12.5.1预备知识 12.5.2线性判别分析的实现 12.5.3多分类器方法 第13章极大似然估计的性质 13.1一致性 13.2渐近无偏性 13.3渐近有效性 13.3.1一维的情况 13.3.2多维的情况 13.4渐近正态性 13.5总结 第14章极大似然估计的模型选择 14.1模型选择 14.2KL散度 14.3AIC信息论准则 14.4交叉检验 14.5讨论 第15章高斯混合模型的极大似然估计 15.1高斯混合模型 15.2极大似然估计 15.3梯度上升算法 15.4EM算法 第16章非参数估计 16.1直方图方法 16.2问题描述 16.3核密度估计 16.3.1Parzen 窗法 16.3.2利用核的平滑 16.3.3带宽的选择 16.4最近邻密度估计 16.4.1最近邻距离 16.4.2最近邻分类器 第17章贝叶斯推理 17.1贝叶斯预测分布 17.1.1定义 17.1.2与极大似然估计的比较 17.1.3计算问题 17.2共轭先验 17.3最大后验估计 17.4贝叶斯模型选择 第18章边缘相似的解析近似 18.1拉普拉斯近似 18.1.1高斯密度估计 18.1.2例证 18.1.3应用于边际似然逼近 18.1.4贝叶斯信息准则 18.2变分近似 18.2.1变分贝叶斯最大期望算法 18.2.2与一般最大期望法的关系 第19章预测分布的数值近似 19.1蒙特卡罗积分 19.2重要性采样 19.3采样算法 19.3.1逆变换采样 19.3.2拒绝采样 19.3.3马尔可夫链蒙特卡罗方法 第20章贝叶斯混合模型 20.1高斯混合模型 20.1.1贝叶斯公式化 20.1.2变分推断 20.1.3吉布斯采样 20.2隐狄利克雷分配模型 20.2.1主题模型 20.2.2贝叶斯公式化 20.2.3吉布斯采样 第四部分统计机器学习的判别式方法 第21章学习模型 21.1线性参数模型 21.2核模型 21.3层次模型 第22章最小二乘回归 22.1最小二乘法 22.2线性参数模型的解决方案 22.3最小二乘法的特性 22.4大规模数据的学习算法 22.5层次模型的学习算法 第23章具有约束的最小二乘回归 23.1子空间约束的最小二乘 23.22约束的最小二乘 23.3模型选择 第24章稀疏回归 24.11约束的最小二乘 24.2解决1约束的最小二乘 24.3稀疏学习的特征选择 24.4若干扩展 24.4.1广义1约束最小二乘 24.4.2p约束最小二乘 24.4.31+2约束最小二乘 24.4.41,2约束最小二乘 24.4.5迹范数约束最小二乘 第25章稳健回归 25.12损失最小化的非稳健性 25.21损失最小化 25.3Huber损失最小化 25.3.1定义 25.3.2随机梯度算法 25.3.3迭代加权最小二乘 25.3.41约束Huber损失最小化 25.4Tukey 损失最小化 第26章最小二乘分类器 26.1基于最小二乘回归的分类器 26.20/1损失和间隔 2 |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
