免费下载书籍地址：PDF下载地址
精美图片
机器学习书籍详细信息
- ISBN：9787111565260
- 作者：暂无作者
- 出版社：暂无出版社
- 出版时间：2017-4-1
- 页数：1050
- 价格：269元
- 纸张：暂无纸张
- 装帧：暂无装帧
- 开本：暂无开本
- 语言：未知
- 丛书：暂无丛书
- TAG：暂无
- 豆瓣评分：暂无豆瓣评分
内容简介：
本书对所有主要的机器学习方法和新研究趋势进行了深入探索，涵盖概率和确定性方法以及贝叶斯推断方法。其中，经典方法包括平均/小二乘滤波、卡尔曼滤波、随机逼近和在线学习、贝叶斯分类、决策树、逻辑回归和提升方法等，新趋势包括稀疏、凸分析与优化、在线分布式算法、RKH空间学习、贝叶斯推断、图模型与隐马尔可夫模型、粒子滤波、深度学习、字典学习和潜变量建模等。全书构建了一套明晰的机器学习知识体系，各章内容相对独立，物理推理、数学建模和算法实现精准且细致，并辅以应用实例和习题。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
书籍目录：
Contents
Preface.iv
Acknowledgments.vv
Notation.vfivi
CHAPTER 1 Introduction .1
1.1 What Machine Learning is About1
1.1.1 Classification.2
1.1.2 Regression3
1.2 Structure and a Road Map of the Book5
References8
CHAPTER 2 Probability and Stochastic Processes 9
2.1 Introduction.10
2.2 Probability and Random Variables.10
2.2.1Probability11
2.2.2Discrete Random Variables12
2.2.3Continuous Random Variables14
2.2.4Meanand Variance15
2.2.5Transformation of Random Variables.17
2.3 Examples of Distributions18
2.3.1Discrete Variables18
2.3.2Continuous Variables20
2.4 Stochastic Processes29
2.4.1First and Second Order Statistics.30
2.4.2Stationarity and Ergodicity30
2.4.3PowerSpectral Density33
2.4.4Autoregressive Models38
2.5 InformationTheory.41
2.5.1Discrete Random Variables42
2.5.2Continuous Random Variables45
2.6 Stochastic Convergence48
Problems49
References51
CHAPTER 3 Learning in Parametric Modeling: Basic Concepts and Directions 53
3.1 Introduction.53
3.2 Parameter Estimation: The Deterministic Point of View.54
3.3 Linear Regression.57
3.4 Classification60
3.5 Biased Versus Unbiased Estimation.64
3.5.1 Biased or Unbiased Estimation?65
3.6 The Cramér-Rao Lower Bound67
3.7 Suf?cient Statistic.70
3.8 Regularization.72
3.9 The Bias-Variance Dilemma.77
3.9.1 Mean-Square Error Estimation77
3.9.2 Bias-Variance Tradeoff78
3.10 MaximumLikelihoodMethod.82
3.10.1 Linear Regression: The Nonwhite Gaussian Noise Case84
3.11 Bayesian Inference84
3.11.1 The Maximum a Posteriori Probability Estimation Method.88
3.12 Curse of Dimensionality89
3.13 Validation.91
3.14 Expected and Empirical Loss Functions.93
3.15 Nonparametric Modeling and Estimation.95
Problems.97
References102
CHAPTER4 Mean-quare Error Linear Estimation105
4.1Introduction.105
4.2Mean-Square Error Linear Estimation: The Normal Equations106
4.2.1The Cost Function Surface107
4.3A Geometric Viewpoint: Orthogonality Condition109
4.4Extensionto Complex-Valued Variables111
4.4.1Widely Linear Complex-Valued Estimation113
4.4.2Optimizing with Respect to Complex-Valued Variables: Wirtinger Calculus116
4.5Linear Filtering.118
4.6MSE Linear Filtering: A Frequency Domain Point of View120
4.7Some Typical Applications.124
4.7.1Interference Cancellation124
4.7.2System Identification125
4.7.3Deconvolution: Channel Equalization126
4.8Algorithmic Aspects: The Levinson and the Lattice-Ladder Algorithms132
4.8.1The Lattice-Ladder Scheme.137
4.9Mean-Square Error Estimation of Linear Models.140
4.9.1The Gauss-Markov Theorem143
4.9.2Constrained Linear Estimation:The Beamforming Case145
4.10Time-Varying Statistics: Kalman Filtering148
Problems.154
References158
CHAPTER 5 Stochastic Gradient Descent: The LMS Algorithm and its Family .161
5.1 Introduction.162
5.2 The Steepest Descent Method163
5.3 Application to the Mean-Square Error Cost Function167
5.3.1 The Complex-Valued Case175
5.4 Stochastic Approximation177
5.5 The Least-Mean-Squares Adaptive Algorithm179
5.5.1 Convergence and Steady-State Performanceof the LMS in Stationary Environments.181
5.5.2 Cumulative Loss Bounds186
5.6 The Affine Projection Algorithm.188
5.6.1 The Normalized LMS.193
5.7 The Complex-Valued Case.194
5.8 Relatives of the LMS.196
5.9 Simulation Examples.199
5.10 Adaptive Decision Feedback Equalization202
5.11 The Linearly Constrained LMS204
5.12 Tracking Performance of the LMS in Nonstationary Environments.206
5.13 Distributed Learning:The Distributed LMS208
5.13.1Cooperation Strategies.209
5.13.2The Diffusion LMS211
5.13.3 Convergence and Steady-State Performance: Some Highlights218
5.13.4 Consensus-Based Distributed Schemes.220
5.14 A Case Study:Target Localization222
5.15 Some Concluding Remarks: Consensus Matrix.223
Problems.224
References227
CHAPTER 6 The Least-Squares Family 233
6.1 Introduction.234
6.2 Least-Squares Linear Regression: A Geometric Perspective.234
6.3 Statistical Properties of the LS Estimator236
6.4
作者介绍：
作者简介
Sergios Theodoridis 希腊雅典大学信息系教授。主要研究方向是自适应信号处理、通信与模式识别。他是欧洲并行结构及语言协会（PARLE-95）的主席和欧洲信号处理协会（EUSIPCO-98）的常务主席、《信号处理》杂志编委。
Konstantinos Koutroumbas 1995年在希腊雅典大学获得博士学位。自2001年起任职于希腊雅典国家天文台空间应用研究院，是国际知名的专家。
出版社信息：
暂无出版社相关信息，正在全力查找中！
书籍摘录：
暂无相关书籍摘录，正在全力查找中！
在线阅读/听书/购买/PDF下载地址：
在线阅读地址：机器学习在线阅读
在线听书地址：机器学习在线收听
在线购买地址：机器学习在线购买
原文赏析：
暂无原文赏析，正在全力查找中！
其它内容：
书籍介绍
本书对所有主要的机器学习方法和新研究趋势进行了深入探索，涵盖概率和确定性方法以及贝叶斯推断方法。其中，经典方法包括平均/小二乘滤波、卡尔曼滤波、随机逼近和在线学习、贝叶斯分类、决策树、逻辑回归和提升方法等，新趋势包括稀疏、凸分析与优化、在线分布式算法、RKH空间学习、贝叶斯推断、图模型与隐马尔可夫模型、粒子滤波、深度学习、字典学习和潜变量建模等。全书构建了一套明晰的机器学习知识体系，各章内容相对独立，物理推理、数学建模和算法实现精准且细致，并辅以应用实例和习题。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
书籍真实打分
故事情节：3分
人物塑造：3分
主题深度：7分
文字风格：4分
语言运用：9分
文笔流畅：4分
思想传递：6分
知识深度：5分
知识广度：6分
实用性：5分
章节划分：6分
结构布局：4分
新颖与独特：4分
情感共鸣：9分
引人入胜：4分
现实相关：9分
沉浸感：5分
事实准确性：4分
文化贡献：4分
网站评分
书籍多样性：6分
书籍信息完全性：6分
网站更新速度：5分
使用便利性：4分
书籍清晰度：7分
书籍格式兼容性：9分
是否包含广告：5分
加载速度：4分
安全性：8分
稳定性：3分
搜索功能：4分
下载便捷性：9分
下载点评
- 强烈推荐(492+)
- 简单(459+)
- 少量广告(634+)
- 体验满分(586+)
- 值得下载(498+)
- 二星好评(518+)
- 内容齐全(71+)
下载评价
网友 索***宸：书的质量很好。资源多
网友 曾***文：五星好评哦
网友 冯***卉：听说内置一千多万的书籍，不知道真假的
网友 后***之：强烈推荐！无论下载速度还是书籍内容都没话说 真的很良心！
网友 常***翠：哈哈哈哈哈哈
网友 訾***晴：挺好的，书籍丰富
网友 通***蕊：五颗星、五颗星，大赞还觉得不错！~~
网友 国***芳：五星好评
网友 康***溪：强烈推荐！！！
网友 孔***旋：很好。顶一个希望越来越好，一直支持。