基本介紹
- 中文名：
- 作者：
- 出版社：清華大學出版社
- 出版時間：
- 頁數：
- 開本：
- 裝幀：
- ISBN：
內容簡介,目錄,
4.3邏輯回歸
4.3.1平面上二分類的線性邏輯回歸
4.3.2邏輯回歸模型
4.3.3多分類邏輯回歸
4.4Softmax回歸
4.4.1Softmax函式
4.4.2Softmax回歸模型
4.4.3進一步討論
4.5集成學習與類別不平衡問題
4.5.1裝袋方法及套用
4.5.2提升方法及套用
4.5.3投票方法及套用
4.5.4類別不平衡問題
4.6練習題
第5章特徵工程、降維與超參數調優
5.1特徵工程
5.1.1數據總體分析
5.1.2數據可視化
5.1.3數據預處理
5.2線性降維
5.2.1奇異值分解
5.2.2主成分分析
5.3超參數調優
5.3.1格線搜尋
5.3.2隨機搜尋
5.4練習題
第6章機率模型與標註
6.1機率模型
6.1.1分類、聚類和標註任務的機率模型
6.1.2生成模型和判別模型
6.1.3機率模型的簡化假定
6.2邏輯回歸模型的機率分析
6.3樸素貝葉斯分類
6.3.1條件機率估計難題
6.3.2特徵條件獨立假定
6.3.3樸素貝葉斯法的算法流程及示例
6.3.4樸素貝葉斯分類器
6.4EM算法與高斯混合聚類
6.4.1EM算法示例
6.4.2EM算法及其流程
6.4.3高斯混合聚類
6.5隱馬爾可夫模型
6.5.1馬爾可夫鏈
6.5.2隱馬爾可夫模型及示例
6.5.3前向後向算法
6.5.4維特比算法
6.6條件隨機場模型
6.7練習題
第7章神經網路
7.1神經網路模型
7.1.1神經元
7.1.2神經網路
7.1.3分類、聚類、回歸、標註任務的神經網路模型
7.2多層神經網路
7.2.1三層感知機的誤差反向傳播學習示例
7.2.2誤差反向傳播學習算法
7.2.3多層神經網路常用損失函式
7.2.4多層神經網路常用最佳化算法
7.2.5多層神經網路中過擬合的抑制
7.2.6進一步討論
7.3競爭學習和自組織特徵映射網路
7.3.1競爭學習
7.3.2自組織特徵映射網路的結構與學習
7.4練習題
第8章深度學習
8.1概述
8.2卷積神經網路
8.2.1卷積神經網路示例
8.2.2卷積層
8.2.3池化層和Flatten層
8.2.4批標準化層
8.2.5典型卷積神經網路
8.3循環神經網路
8.3.1基本單元
8.3.2網路結構
8.3.3長短時記憶網路
8.3.4雙向循環神經網路和深度循環神經網路
8.3.5序列標註示例
8.4練習題
參考文獻
