机读格式显示(MARC)
- 000 01894cam a2200373 i 4500
- 008 210319r20212020cc a b 001 0 eng d
- 020 __ |a 9787111668374 (hardback)
- 040 __ |a YZU |b eng |c YZU |d YZU |e rda
- 099 __ |a CAL 022021024205
- 100 1_ |a Theodoridis, Sergios, |e author.
- 245 10 |a Machine learning : |b a Bayesian and optimizations perspective / |c Sergios Theodoridis = 机器学习 : 贝叶斯和优化方法 / [希]西格尔斯·西奥多里蒂斯.
- 246 31 |a 机器学习 : |b 贝叶斯和优化方法
- 250 __ |a Second edition.
- 264 _1 |a 北京 : |b China Machine Press, |c 2021.
- 300 __ |a xxii, 1130 pages : |b illustrations (some color) ; |c 25 cm.
- 336 __ |a text |b txt |2 rdacontent
- 337 __ |a unmediated |b n |2 rdamedia
- 338 __ |a volume |b nc |2 rdacarrier
- 504 __ |a Includes bibliographical references and index.
- 520 __ |a 本书通过讲解监督学习的两大支柱—回归和分类—将机器学习纳入统一视角展开讨论。书中首先讨论基础知识,包括均方、最小二乘和最大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术,包括稀疏建模方法,再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外,本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外,书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识,其中,用一章介绍了随机逼近和梯度下降族的算法,并提出了分布式优化的相关概念、算法和在线学习技术.
- 534 __ |p Reprint. Originally published: |c Elsevier, [2020]. |b 2nd ed. |z 9780128188033.
- 546 __ |a Publisher's notes in Chinese.
- 650 _0 |a Machine learning.
- 950 __ |a SCNU |f TP181/T388-2