發表於2024-12-15
機器學習 計算機與互聯網 書籍|8185 pdf epub mobi txt 電子書 下載
書[0名0]: | 機器[0學0]習|8185 |
圖書定價: | 35元 |
圖書作者: | (美)Tom Mitchell |
齣版社: | 機械工業齣版社 |
齣版日期: | 2003/1/1 0:00:00 |
ISBN號: | 7111109937 |
開本: | 16開 |
頁數: | 280 |
版次: | 1-1 |
作者簡介 |
TOM M.Mitchell是卡內基梅隆[0大0][0學0]的教授,講授“機器(AAA)的主席:美[0國0]《Machine Leaming》雜誌、[0國0]際機器[0學0]習年度[0會0]議(ICML)的創始人:多種技術雜誌的撰稿人,曾發錶過許多文章,齣版過多本專著,是機器[0學0]習[0領0]域的著[0名0][0學0]者。 |
內容簡介 |
本書展示瞭機器[0學0]習中核心的算[0法0]和理論,並闡明瞭算[0法0]的運行過程。本書綜閤瞭許多的研究成果,例如統計[0學0]、人工智能、哲[0學0]、信息論、生物[0學0]、認[0知0]科[0學0]、計算復雜性和控製論等,並以此來理解問題的背景、算[0法0]和其中的隱含假定。本書可作為計算機專業 本科生、研究生教材,也可作為相關[0領0]域研究人員、教師的參考書。 |
目錄 |
[0第0]1章 引言 1.1 [0學0]習問題的標準描述 1.2 設計-個[0學0]習係統 1.2.1 選擇訓練經驗 1.2.2 選擇目標函數 1.2.3 選擇目標函數的錶示 1. 2.4 選擇函數逼近算[0法0] 1.2.5 終設計 1.3 機器[0學0]習的一些觀點和問題 1.4 如何閱讀本書 1.5 小結和補充讀物 習題 [0第0]2章 概念[0學0]習和一般到特殊序 2.1 簡介 2.2 概念[0學0]習任務 2.2.1 術語定義 2.2.2 歸納[0學0]習假設 2.3 作為搜索的概念[0學0]習 2.4 FIND-S:尋找[0極0][0大0]特殊假設 2.5 變型空間和候選消除算[0法0] 2.5.1 錶示 2.5.2 列錶後消除算[0法0] 2.5.3 變型空間的更簡潔錶示 2.5.4 候選消除[0學0]習算[0法0] 2.5.5 算[0法0]的舉例 2.6 關於變型空間和候選消除的說明 2.6.1 候選消除算[0法0]是否[0會0]收斂到正確的假設 2.6.2 下一步需要什麼樣的訓練樣例 2.6.3 怎樣使用不完全[0學0]習概念 2.7 歸納偏置 2.7.1 -個有偏的假設空間 2.7.2 無偏的[0學0]習器 2.7.3 無偏[0學0]習的無用性 2.8 小始和補充讀物 習題 [0第0]3章 決策樹[0學0]習 3.1 簡介 3.2 決策樹錶示[0法0] 3.3 決策樹[0學0]習的適用問題 3.4 基本的決策樹[0學0]習算[0法0] 3.4.1 哪個屬性是佳的分類屬性 3.4.2 舉例 3.5 決策樹[0學0]習中的假設空間搜索 3.6 決策樹[0學0]習的歸納偏置 3.6.1 限定偏置和[0優0]選偏置 3.6.2 為什麼短的假設[0優0]先 3.7 決策樹[0學0]習的常見問題 3.7.1 避免過度擬閤數據 3. 7.2 閤並連續值屬性 3.7.3 屬性選擇的其他度量標準 3.7.4 處理缺少屬性值的訓練樣例 3.7.5 處理不同代價的屬性 3.8 小結和補充讀物 習題 [0第0]4章 人工神經網絡 4.1 簡介 4.2 神經網絡錶示 4.3 適閤神經網絡[0學0]習的問題 4.4 感[0知0]器 4.4.1 感[0知0]器的錶徵能力 4. 4.2 感[0知0]器訓練[0法0]則 4.4.3 梯度下降和delta[0法0]則 4.4.4 小結 4.5 多層網絡和反嚮傳播算[0法0] 4.5.1 可微閾值單元 4.5.2 反嚮傳播算[0法0] 4.5.3 反嚮傳播[0法0]則的推導 4.6 反嚮傳播算[0法0]的說明 4.6.1 收斂性和局部[0極0]小值 4.6.2 前饋網絡的錶徵能力 4.6.3 假設空間搜索和歸納偏置 4.6.4 隱藏層錶示 4.6.5 泛化、過度擬閤和停止判據 4.7 舉例:人臉識彆 4.7.1 任務 4.7.2 設計要素 4.7.3 [0學0]習到的隱藏層錶示 4.8 人工神經網絡的高級課題 4.8.1 其他可選的誤差函數 4.8.2 其他可選的誤差小化過程 4.8.3 遞歸網絡 4.8.4 動態修改網絡結構 4.9 小結和補充讀物 習題 [0第0]5章 [0評0]估假設 5.1 動機 5.2 估計假設精度 5.2.1 樣本錯誤率和真實錯誤率 5.2.2 離散值假設的置信區間 5.3 采樣理論基礎 5.3.1 錯誤率估計和二項比例估計 5.3.2 二項分布 5.3.3 均值和方差 5.3.4 估計量、偏差和方差 5.3.5 置信區間 5.3.6 [0[0雙0]0]側和單側邊界 5.4 推導置信區間的一般方[0法0] 5.5 兩個假設錯誤率間的差異 5.6 [0學0]習算[0法0]比較 5.6. 1 配對t測試 5.6.2 實際考慮 5.7 小結和補充讀物 習題 [0第0]6章 貝葉斯[0學0]習 6.1 簡介 6.2 貝葉斯[0法0]則 6.3 貝葉斯[0法0]則和概念[0學0]習 6.3.1 BRUTE-FORCE貝葉斯概念[0學0]習 6.3.2 MAP假設和一緻[0學0]習器 6.4 [0極0][0大0]似然和小誤差平方假設 6.5 用於預測概率的[0極0][0大0]似然假設 6.6 小描述長度準則 6.7 貝葉斯[0優0]分類器 6.8 GIBBS算[0法0] 6.9 樸素貝葉斯分類器 6.10 舉例:[0學0]習分類文本 6.11 貝葉斯信念網 6.11.1 條件[0獨0]立性 6.11.2 錶示 6.11.3 推理 6.11.4 [0學0]習貝葉斯信念網 6.11.5 貝葉斯網的梯度上升訓練 6.11.6 [0學0]習貝葉斯網的結構 6.12 EM算[0法0] 6.12.1 估計k個高斯分布的均值 6.12.2 EM算[0法0]的一般錶述 6.12.3 k均值算[0法0]的推導 6.13 小結和補充讀物 習題 [0第0]7章 計算[0學0]習理論 7.1 簡介 7.2 可能[0學0]習近似正確假設 7.2.1 問題框架 7.2.2 假設的錯誤率 7.2.3 PAC可[0學0]習性 7.3 有限假設空間的樣本復雜度 7.3.1 不可[0知0][0學0]習和不一緻假設 7.3.2 布爾文字的閤取是PAC可[0學0]習的 7.3.3 其他概念類彆的PAC可[0學0]習性 7.4 無限假設空間的樣本復雜度 7.4.1 打散一個實例集閤 7.4.2 Vapnik-Chervonenkis維度 7.4.3 樣本復雜度和VC維 7.4.4 神經網絡的VC維 7.5 [0學0]習的齣錯界限模型 7.5.1 FIND-S算[0法0]的齣錯界限 7.5.2 HALVING算[0法0]的齣錯界限 7.5.3 [0優0]齣錯界限 7.5.4 加[0權0]多數算[0法0] 7.6 小結和補充讀物 習題 [0第0]8章 基於實例的[0學0]習 8.1 簡介 8.2 k-近鄰算[0法0] 8.2.1 距離加[0權0]近鄰算[0法0] 8.2.2 對k-近鄰算[0法0]的說明 8.2.3 術語注解 8.3 局部加[0權0]迴歸 8.3.1 局部加[0權0]綫性迴歸 8.3.2 局部加[0權0]迴歸的說明 8.4 徑嚮基函數 8.5 基於案例的推理 8.6 對消[0極0][0學0]習和積[0極0][0學0]習的[0評0]論 8.7 小結和補充讀物 習題 [0第0]9章 遺傳算[0法0] 9.1 動機 9.2 遺傳算[0法0] 9.2.1 錶示假設 9.2.2 遺傳算子 9.2.3 適應度函數和假設選擇 9.3 舉例 9.4 假設空間搜索 9.5 遺傳編程 9.5.1 程序錶示 9.5.2 舉例 9.5.3 遺傳編程說明 9.6 進化和[0學0]習模型 9.6.1 拉馬剋進化 9.6.2 鮑德溫效應 9.7 並行遺傳算[0法0] 9.8 小結和補充讀物 習題 [0第0]10章 [0學0]習規則集閤 10.1 簡介 10.2 序列覆蓋算[0法0] 10.2.1 一般到特殊的柱狀搜索 10.2.2 幾種變型 10.3 [0學0]習規則集:小結 10.4 [0學0]習一階規則 10.4.1 一階Horn子句 10.4.2 術語 10.5 [0學0]習一階規則集:FOIL 10.5.1 FOIL中的候選特化式的生成 10.5.2 引導FOIL的搜索 10.5.3 [0學0]習遞歸規則集 10.5.4 FOIL小結 10.6 作為逆演繹的歸納 10.7 逆歸納 10.7.1 一階歸納 10.7.2 逆歸納:一階情況 10.7.3 逆歸納小結 10.7.4 泛化、-包容和涵蘊 10.7.5 PROGOL 10.8 小結和補充讀物 習題 [0第0]11章 分析[0學0]習 11.1 簡介 11.2 用完美的[0領0]域理論[0學0]習:PROLOG-EBG 11.3 對基於解釋的[0學0]習的說明 11.3.1 發現新特徵 11.3.2 演繹[0學0]習 11.3.3 基於解釋的[0學0]習的歸納偏置 11.3.4 [0知0]識級的[0學0]習 11.4 搜索控製[0知0]識的基於解釋的[0學0]習 11.5 小結和補充讀物 習題 [0第0]12章 歸納和分析[0學0]習的結閤 12.1 動機 12.2 [0學0]習的歸納-分析途徑 12.2.1 [0學0]習問題 12.2.2 假設空間搜索 12.3 使用先驗[0知0]識得到初始假設 12.3.1 KBANN算[0法0] 12.3.2 舉例 12.3.3 說明 12.4 使用先驗[0知0]識改變搜索目標 12.4.1 TANGENTPROP算[0法0] 12.4.2 舉例 12.4.3 說明 12.4.4 EBNN算[0法0] 12.4.5 說明 12.5 使用先驗[0知0]識來擴展搜索算子 12.5.1 FOCL算[0法0] 12.5.2 說明 12.6 研究現狀 12.7 小結和補充讀物 習題 [0第0]13章 增強[0學0]習 13.1 簡介 13.2 [0學0]習任務 13.3 Q[0學0]習 13.3.1 Q函數 13.3.2 一個[0學0]習Q的算[0法0] 13.3.3 舉例 13.3.4 收斂性 13.3.5 實驗策略 13.3.6 更新序列 13.4 非確定性迴報和動作 13.5 時間差分[0學0]習 13.6 從樣例中泛化 13.7 與動態規劃的聯樂 13.8 小結和補充讀物 習題 附錄 符號約定 |