作者：王玮，文杰，徐勇，王京华

定价：49元

内容简介

读者对象

本书适合各类读者群体，无论是初学者、具有一定基础的学习者，还是行业内的专业人士，都能从中受益。

目录

第1章绪论

1.2.2影响模型分类正确率的因素

1.3本书的主要内容

2.1从“无序”到“有序”——基于概率的预测

2.1.1确定性事件与非确定性事件

2.1.2张三究竟患病与否——答案并非完美

2.1.3存在最佳决策之外的更好决策吗

2.2贝叶斯的故事与概率倒推方法——科学、经验、直觉及其他

2.2.2中国的“贝叶斯”

2.3乳腺手术的决定正确吗——最小错误贝叶斯分类决策的修订与解析

2.3.1最小风险贝叶斯分类决策

2.3.2最小风险贝叶斯分类决策公式的解析

2.4似然的估计——应用贝叶斯分类决策公式的重头戏

2.4.1似然估计的利器——最大似然估计方法

2.4.2似然的估计之二——不依赖分布的似然估计方法

2.5主成分分析与线性鉴别分析——最具代表性的特征抽取方法

2.5.1主成分分析(PCA)

2.5.2线性鉴别分析 (LDA)

2.5.3其他

2.6本章小结

第3章聚类——物以类聚，人以群分

3.1聚类的概念

3.2单视角聚类中典型的数据聚类方法

3.2.1层次聚类法

3.2.2Kmeans

3.2.3Kmedoids

3.2.4其他单视角数据聚类方法

3.3多视角聚类——兼听则明，偏信则暗

3.3.1基于协同训练的多视角聚类

3.3.2基于多核学习的多视角聚类

3.3.3基于图学习的多视角聚类

3.3.4多任务多视角聚类

3.3.5多视角子空间聚类

3.4单视角聚类VS多视角聚类： 以图像分割任务为例

3.5本章小结

第4章时序数据的模式分析与隐马尔可夫模型

4.1什么是时序数据

4.2马尔可夫性和一阶马尔可夫模型

4.3状态未知怎么办——隐马尔可夫模型

4.4隐马尔可夫模型的应用——三个核心问题

4.4.1估值问题

4.4.2解码问题

4.4.3学习问题

4.5本章小结

第5章线性分类器

5.1你的问题线性可分吗

5.2线性分类器长什么样子

5.3线性分类器的学习——参数求解

5.4最简洁的线性分类器——感知器算法

5.5最小平方误差算法

5.5.1平方误差准则

5.5.2最小平方误差算法的工作过程

5.5.3梯度下降

5.6.1SVM的发展历程与创始人

5.6.2SVM的工作过程

5.6.3非线性SVM： 核函数与非线性分类

5.6.4优化和调整SVM： 超参数和核函数的选择

5.6.5关于SVM的一些讨论

5.7多分类问题的解决策略

5.8本章小结

第6章打开深度学习的大门——神经网络

6.1神经网络的基础——神经元

6.1.1生物神经元和人工神经元

6.1.2激活函数

6.1.3几种典型的激活函数

6.2人工神经网络的构成

6.2.1输入层

6.2.2隐藏层

6.2.3输出层

6.2.5人工神经网络的特点

6.3深度神经网络

6.3.1卷积

6.3.2填充

6.3.3三维卷积

6.3.4池化层

6.3.5一个完整的卷积神经网络

6.4大模型

6.5本章小结

7.1训练的原材料——样本集的构建

7.1.1样本集的预处理

7.1.2样本集的划分

7.1.3样本集的分布

7.2如何构建一个好的系统——迭代优化和性能指标

7.2.1关于迭代优化的建议

7.2.2具体的指标

7.2.3性能评价试验

7.3误差分析——偏差和方差

7.3.1误差的构成——打中靶心的关键

7.3.2降低偏差的技术

7.3.3降低方差的技术

7.4本章小结

精彩样章