第一版熱賣加印十幾萬冊！第二版內容更完整！
☆☆統計學習方法全書☆☆
統計學習方法即為機器學習方法，是電腦及其應用領域的重要學科之一。
本書分為監督學習、無監督學習兩篇，全面系統地介紹了統計學習的主要方法。
將監督學習和無監督學習中最常用、最重要的各類方法以系統性的方式論述，每章講解一種方法，各章內容相對獨立且完整，也有相關習題、參考文獻，並於最後加以總結。讀者可以將全書詳讀，也可以選擇單章細讀。期望讓讀者可以順利掌握完整又清晰的相關知識，進而打下穩固的基礎，並能準確地使用。
本書涵蓋感知機、k近鄰法、單純貝氏法、決策樹、邏輯回歸及最大熵模型、支持向量機、提升方法、EM演算法、隱馬可夫模型、條件隨機場、聚類法、奇異值分解(SVD)、主成分分析(PCA)、潛在語義分析、機率潛在語義分析、馬可夫鏈蒙地卡羅法、潛在狄利克雷分配(LDA)、PageRank演算法等。
【適合讀者群】
．具高等數學、線性代數和機率統計的基礎知識
．從事資訊檢索、自然語言處理、文字資料探勘等領域的學生與研究人員
．從事電腦應用相關專業的研究人員
第1篇 監督學習
Chapter01 統計學習及監督學習概論
1.1 統計學習
1.2 統計學習的分類
1.3 統計學習方法三要素
1.4 模型評估與模型選擇
1.5 正則化與交叉驗證
1.6 泛化能力
1.7 生成模型與判別模型
1.8 監督學習應用
Chapter 02 感知機
2.1 感知機模型
2.2 感知機學習策略
2.3 感知機學習演算法
Chapter 03 k近鄰法
3.1 k近鄰演算法
3.2 k近鄰模型
3.3 k近鄰法的實現：kd樹
Chapter 04 單純貝氏法
4.1 單純貝氏法的學習與分類
4.2 單純貝氏法的參數估計
Chapter 05 決策樹
5.1 決策樹模型與學習
5.2 特徵選擇
5.3 決策樹的生成
5.4 決策樹的剪枝
5.5 CART演算法
Chapter 06 邏輯回歸與最大熵模型
6.1 邏輯回歸模型
6.2 最大熵模型
6.3 模型學習的最佳化演算法
Chapter 07 支持向量機
7.1 線性可分支持向量機與硬間隔最大化
7.2 線性支持向量機與軟間隔最大化
7.3 非線性支持向量機與核函數
7.4 序列最小最佳化演算法
Chapter 08 提升方法
8.1 提升方法AdaBoost演算法
8.2 AdaBoost演算法的訓練誤差分析
8.3 AdaBoost演算法的解釋
8.4 提升樹
Chapter 09 EM演算法及其推廣
9.1 EM演算法的引入
9.2 EM演算法的收斂性
9.3 EM演算法在高斯混合模型學習中的應用
9.4 EM演算法的推廣
Chapter 10 隱馬可夫模型
10.1 隱馬可夫模型的基本概念
10.2 機率計算演算法
10.3 學習演算法
10.4 預測演算法
Chapter 11 條件隨機場
11.1 機率無向圖模型
11.2 條件隨機場的定義與形式
11.3 條件隨機場的機率計算問題
11.4 條件隨機場的學習演算法
11.5 條件隨機場的預測演算法
Chapter 12 監督學習方法總結
第2篇 無監督學習
Chapter 13 無監督學習概論
13.1 無監督學習基本原理
13.2 基本問題
13.3 機器學習三要素
13.4 無監督學習方法
Chapter 14 聚類方法
14.1 聚類的基本概念
14.2 層次聚類
14.3 k均值聚類
Chapter 15 奇異值分解
15.1 奇異值分解的定義與性質
15.2 奇異值分解的計算
15.3 奇異值分解與矩陣近似
Chapter 16 主成分分析
16.1 整體主成分分析
16.2 樣本主成分分析
Chapter 17 潛在語義分析
17.1 單字向量空間與話題向量空間
17.2 潛在語義分析演算法
17.3 非負矩陣分解演算法
Chapter 18 機率潛在語義分析
18.1 機率潛在語義分析模型
18.2 機率潛在語義分析的演算法
Chapter 19 馬可夫鏈蒙地卡羅法
19.1 蒙地卡羅法
19.2 馬可夫鏈
19.3 馬可夫鏈蒙地卡羅法
19.4 Metropolis-Hastings演算法
19.5 吉布斯抽樣
Chapter 20 潛在狄利克雷分配
20.1 狄利克雷分佈
20.2 潛在狄利克雷分配模型
20.3 LDA的吉布斯抽樣演算法
20.4 LDA的變分EM演算法
Chapter 21 PageRank演算法
21.1 PageRank的定義
21.2 PageRank的計算
Chapter 22 無監督學習方法總結
22.1 無監督學習方法的關係和特點
22.2 話題模型之間的關係和特點
Appendix A 梯度下降法
Appendix B 牛頓法和擬牛頓法
Appendix C 拉格朗日對偶性
Appendix D 矩陣的基本子空間
Appendix E KL散度的定義和狄利克雷分佈的性質
Appendix F 索引
asnd
第1篇 監督學習
Chapter01 統計學習及監督學習概論
1.1 統計學習
1.2 統計學習的分類
1.3 統計學習方法三要素
1.4 模型評估與模型選擇
1.5 正則化與交叉驗證
1.6 泛化能力
1.7 生成模型與判別模型
1.8 監督學習應用
Chapter 02 感知機
2.1 感知機模型
2.2 感知機學習策略
2.3 感知機學習演算法
Chapter 03 k近鄰法
3.1 k近鄰演算法
3.2 k近鄰模型
3.3 k近鄰法的實現：kd樹
Chapter 04 單純貝氏法
4.1 單純貝氏法的學習與分類
4.2 單純貝氏法的參數估計
Chapter 05 決策樹
5.1 決策樹模型與學習
5.2 特徵選擇
5.3 決策樹的生成
5.4 決策樹的剪枝
5.5 CART演算法
Chapter 06 邏輯回歸與最大熵模型
6.1 邏輯回歸模型
6.2 最大熵模型
6.3 模型學習的最佳化演算法
Chapter 07 支持向量機
7.1 線性可分支持向量機與硬間隔最大化
7.2 線性支持向量機與軟間隔最大化
7.3 非線性支持向量機與核函數
7.4 序列最小最佳化演算法
Chapter 08 提升方法
8.1 提升方法AdaBoost演算法
8.2 AdaBoost演算法的訓練誤差分析
8.3 AdaBoost演算法的解釋
8.4 提升樹
Chapter 09 EM演算法及其推廣
9.1 EM演算法的引入
9.2 EM演算法的收斂性
9.3 EM演算法在高斯混合模型學習中的應用
9.4 EM演算法的推廣
Chapter 10 隱馬可夫模型
10.1 隱馬可夫模型的基本概念
10.2 機率計算演算法
10.3 學習演算法
10.4 預測演算法
Chapter 11 條件隨機場
11.1 機率無向圖模型
11.2 條件隨機場的定義與形式
11.3 條件隨機場的機率計算問題
11.4 條件隨機場的學習演算法
11.5 條件隨機場的預測演算法
Chapter 12 監督學習方法總結
第2篇 無監督學習
Chapter 13 無監督學習概論
13.1 無監督學習基本原理
13.2 基本問題
13.3 機器學習三要素
13.4 無監督學習方法
Chapter 14 聚類方法
14.1 聚類的基本概念
14.2 層次聚類
14.3 k均值聚類
Chapter 15 奇異值分解
15.1 奇異值分解的定義與性質
15.2 奇異值分解的計算
15.3 奇異值分解與矩陣近似
Chapter 16 主成分分析
16.1 整體主成分分析
16.2 樣本主成分分析
Chapter 17 潛在語義分析
17.1 單字向量空間與話題向量空間
17.2 潛在語義分析演算法
17.3 非負矩陣分解演算法
Chapter 18 機率潛在語義分析
18.1 機率潛在語義分析模型
18.2 機率潛在語義分析的演算法
Chapter 19 馬可夫鏈蒙地卡羅法
19.1 蒙地卡羅法
19.2 馬可夫鏈
19.3 馬可夫鏈蒙地卡羅法
19.4 Metropolis-Hastings演算法
19.5 吉布斯抽樣
Chapter 20 潛在狄利克雷分配
20.1 狄利克雷分佈
20.2 潛在狄利克雷分配模型
20.3 LDA的吉布斯抽樣演算法
20.4 LDA的變分EM演算法
Chapter 21 PageRank演算法
21.1 PageRank的定義
21.2 PageRank的計算
Chapter 22 無監督學習方法總結
22.1 無監督學習方法的關係和特點
22.2 話題模型之間的關係和特點
Appendix A 梯度下降法
Appendix B 牛頓法和擬牛頓法
Appendix C 拉格朗日對偶性
Appendix D 矩陣的基本子空間
Appendix E KL散度的定義和狄利克雷分佈的性質
Appendix F 索引
第1篇 監督學習
Chapter01 統計學習及監督學習概論
1.1 統計學習
1.2 統計學習的分類
1.3 統計學習方法三要素
1.4 模型評估與模型選擇
1.5 正則化與交叉驗證
1.6 泛化能力
1.7 生成模型與判別模型
1.8 監督學習應用
Chapter 02 感知機
2.1 感知機模型
2.2 感知機學習策略
2.3 感知機學習演算法
Chapter 03 k近鄰法
3.1 k近鄰演算法
3.2 k近鄰模型
3.3 k近鄰法的實現：kd樹
Chapter 04 單純貝氏法
4.1 單純貝氏法的學習與分類
4.2 單純貝氏法的參數估計
Chapter 05 決策樹
5.1 決策樹模型與學習
5.2 特徵選擇
5.3 決策樹的生成
5.4 決策樹的剪枝
5.5 CART演算法
Chapter 06 邏輯回歸與最大熵模型
6.1 邏輯回歸模型
6.2 最大熵模型
6.3 模型學習的最佳化演算法
Chapter 07 支持向量機
7.1 線性可分支持向量機與硬間隔最大化
7.2 線性支持向量機與軟間隔最大化
7.3 非線性支持向量機與核函數
7.4 序列最小最佳化演算法
Chapter 08 提升方法
8.1 提升方法AdaBoost演算法
8.2 AdaBoost演算法的訓練誤差分析
8.3 AdaBoost演算法的解釋
8.4 提升樹
Chapter 09 EM演算法及其推廣
9.1 EM演算法的引入
9.2 EM演算法的收斂性
9.3 EM演算法在高斯混合模型學習中的應用
9.4 EM演算法的推廣
Chapter 10 隱馬可夫模型
10.1 隱馬可夫模型的基本概念
10.2 機率計算演算法
10.3 學習演算法
10.4 預測演算法
Chapter 11 條件隨機場
11.1 機率無向圖模型
11.2 條件隨機場的定義與形式
11.3 條件隨機場的機率計算問題
11.4 條件隨機場的學習演算法
11.5 條件隨機場的預測演算法
Chapter 12 監督學習方法總結
第2篇 無監督學習
Chapter 13 無監督學習概論
13.1 無監督學習基本原理
13.2 基本問題
13.3 機器學習三要素
13.4 無監督學習方法
Chapter 14 聚類方法
14.1 聚類的基本概念
14.2 層次聚類
14.3 k均值聚類
Chapter 15 奇異值分解
15.1 奇異值分解的定義與性質
15.2 奇異值分解的計算
15.3 奇異值分解與矩陣近似
Chapter 16 主成分分析
16.1 整體主成分分析
16.2 樣本主成分分析
Chapter 17 潛在語義分析
17.1 單字向量空間與話題向量空間
17.2 潛在語義分析演算法
17.3 非負矩陣分解演算法
Chapter 18 機率潛在語義分析
18.1 機率潛在語義分析模型
18.2 機率潛在語義分析的演算法
Chapter 19 馬可夫鏈蒙地卡羅法
19.1 蒙地卡羅法
19.2 馬可夫鏈
19.3 馬可夫鏈蒙地卡羅法
19.4 Metropolis-Hastings演算法
19.5 吉布斯抽樣
Chapter 20 潛在狄利克雷分配
20.1 狄利克雷分佈
20.2 潛在狄利克雷分配模型
20.3 LDA的吉布斯抽樣演算法
20.4 LDA的變分EM演算法
Chapter 21 PageRank演算法
21.1 PageRank的定義
21.2 PageRank的計算
Chapter 22 無監督學習方法總結
22.1 無監督學習方法的關係和特點
22.2 話題模型之間的關係和特點
Appendix A 梯度下降法
Appendix B 牛頓法和擬牛頓法
Appendix C 拉格朗日對偶性
Appendix D 矩陣的基本子空間
Appendix E KL散度的定義和狄利克雷分佈的性質
Appendix F 索引
李航
ACL Fellow、IEEE Fellow 、ACM傑出科學家，北京大學、南京大學兼職教授，研究領域包括資訊檢索、自然語言處理、統計機器學習和資料探勘等。
畢業於日本京都大學電氣電子工程系，日本東京大學電腦科學博士學位。
曾任日本NEC公司中央研究所研究員，微軟亞洲研究院高級研究員與主任研究員，華為諾亞方舟實驗室主任、首席科學家，現任字節跳動人工智慧實驗室總監。
Details
Review
0 ratings
1 stars
0%
2 stars
0%
3 stars
0%
4 stars
0%
5 stars
0%
Write a review
Product review was disabled
