統計學習理論基礎

內容簡介

本書原作者是美國普林斯頓大學電氣工程系和哲學系的兩位教授，本書是在普林斯頓大學“電氣工程及原理”課程中關於“學習理論和認知論”的入門性課程基礎上形成的。全書共包含18個章節，從機率密度、貝葉斯決策理論引入樣本學習的基本概念，進而介紹了近鄰域學習、核學習及神經網路學習，在此基礎上探討了PCA學習、VC維概念、函式估計問題等，後重點介紹了非常實用的支持向量機（SVM）及Boosting方法。各章均包含小結、附錄、習題及參考資料，非常適合於大專院校計算機及電氣工程類碩博士研究生及高年級學生作為教學參考書。

圖書目錄

譯者序

前言

第1章引言：分類、學習、特徵及套用

1.1範圍

1.2為什麼需要機器學習？

1.3一些套用

1.3.1圖像識別

1.3.2語音識別

1.3.3醫學診斷

1.3.4統計套利

1.4測量、特徵和特徵向量

1.5機率的需要

1.6監督學習

1.7小結

1.8附錄：歸納法

1.9問題

1.10參考文獻

第2章機率

2.1一些基本事件的機率

2.2複合事件的機率

2.3條件機率

2.4不放回抽取

2.5一個經典的生日問題

2.6隨機變數

2.7期望值

2.8方差

2.9小結

2.10附錄：機率詮釋

2.11問題

2.12參考文獻

第3章機率密度

3.1一個二維實例

3.2在\[0,1\]區間的隨機數

3.3密度函式

3.4高維空間中的機率密度

3.5聯合密度和條件密度

3.6期望和方差

3.7大數定律

3.8小結

3.9附錄:可測性

3.10問題

3.11參考文獻

第4章模式識別問題

4.1一個簡單例子

4.2決策規則

4.3成功基準

4.4最佳分類器：貝葉斯決策規則

4.5連續特徵和密度

4.6小結

4.7附錄：不可數概念

4.8問題

4.9參考文獻

第5章最優貝葉斯決策規則

5.1貝葉斯定理

5.2貝葉斯決策規則

統計學習理論基礎

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條