具體描述
統計學習方法即機器學習方法，是計算機及其應用領域的一門重要學科。本書分為監督學 習和無監督學習兩篇，全麵係統地介紹瞭統計學習的主要方法。包括感知機、k 近鄰法、樸素貝葉斯法、決策樹、邏輯斯諦迴歸與最大熵模型、支持嚮量機、提升方法、EM 算法、隱馬爾可夫模型和條件隨機場，以及聚類方法、奇異值分解、主成分分析、潛在語義分析、概率潛在語義分析、馬爾可夫鏈濛特卡羅法、潛在狄利剋雷分配和 PageRank 算法等。除有關統計學習、監督學習和無監督學習的概論和總結的四章外，每章介紹一種方法。敘述力求從具體問題或實例入手， 由淺入深，闡明思路，給齣必要的數學推導，便於讀者掌握統計學習方法的實質，學會運用。 為滿足讀者進一步學習的需要，書中還介紹瞭一些相關研究，給齣瞭少量習題，列齣瞭主要參考文獻。 本書是統計機器學習及相關課程的教學參考書，適用於高等院校文本數據挖掘、信息檢索及自然語言處理等專業的大學生、研究生，也可供從事計算機應用相關專業的研發人員參考。
著者簡介
李航 日本京都大學電氣工程係畢業，日本東京大學計算機科學博士。曾任職於日本NEC公司中央研究所，微軟亞洲研究院高級研究員及主任研究員，現任華為諾亞方舟實驗室首席科學傢。北京大學、南開大學、西安交通大學客座教授。研究方嚮包括信息檢索、自然語言處理、統計機器學習及數據挖掘。
圖書目錄
第二篇 無監督學習
第13章 無監督學習概論
13.1.1 無監督學習基本原理
13.1.2 基本問題
13.1.3 機器學習三要素
13.1.4 無監督學習方法
第14章 聚類方法
14.1 聚類的基本概念
14.1.1 相似度或距離
14.1.2 類或簇
14.1.3 類與類之間的距離
14.2 層次聚類
14.3 k均值聚類
14.3.1 模型
14.3.2 策略
14.3.3 算法
14.3.4 算法特點
本章概要
繼續閱讀
習題
參考文獻
第15章 奇異值分解
15.1 奇異值分解的定義與性質
15.1.1 定義與定理
15.1.2 緊奇異值分解與截斷奇異值分解
15.1.3 幾何解釋
15.1.4 主要性質
15.2 奇異值分解的計算
15.3 奇異值分解與矩陣近似
15.3.1 弗羅貝尼烏斯範數
15.3.2 矩陣的優近似
15.3.3 矩陣的外積展開式
本章概要
繼續閱讀
習題
參考文獻
第16章 主成分分析
16.1 總體主成分分析
16.1.1 基本想法
16.1.2 定義和導齣
16.1.3 主要性質
16.1.4 主成分的個數
16.1.5 規範化變量的總體主成分
16.2 樣本主成分分析
16.2.1 樣本主成分的定義和性質
16.2.2 相關矩陣的特徵值分解算法
16.2.3 數據局正的奇異值分解算法
本章概要
繼續閱讀
習題
參考文獻
第17章 潛在語義分析
17.1 單詞嚮量空間與話題嚮量空間
17.1.1 單詞嚮量空間
17.1.2 話題嚮量空間
17.2 潛在語義分析算法
17.2.1 矩陣奇異值分解算法
17.2.2 例子
17.3 非負矩陣分解算法
17.3.1 非負矩陣分解
17.3.2 潛在語義分析模型
17.3.3 非負矩陣分解的形式化
17.3.4 算法
本章概要
繼續閱讀
習題
參考文獻
第18章 概率潛在語義分析
18.1 概率潛在語義分析模型
18.1.1 基本想法
18.1.2 生成模型
18.1.3 共現模型
18.1.4 模型性質
18.2 概率潛在語義分析的算法
本章概要
繼續閱讀
習題
參考文獻
第19章 馬爾可夫鏈濛特卡羅法
19.1 濛特卡羅法
19.1.1 隨機抽樣
19.1.2 數學期望估計
19.1.3 積分計算
19.2 馬爾可夫鏈
19.2.1 基本定義
19.2.2 離散狀態馬爾可夫鏈
19.2.3 連續狀態馬爾可夫鏈
19.2.4 馬爾可夫鏈的性質
19.3 馬爾可夫鏈濛特卡羅法
19.3.1 基本想法
19.3.2 基本步驟
19.3.3 馬爾可夫鏈濛特卡羅法與統計學習
19.4 Metropolis-Hastings算法
19.4.1 基本原理
19.4.2 Metropolis-Hastings算法
19.4.3 單分量Metropolis-Hastings算法
19.5 吉布斯抽樣
19.5.1 基本原理
19.5.2 吉布斯抽樣算法
19.5.3 抽樣計算
本章概要
繼續閱讀
習題
參考文獻
第20章 潛在狄利剋雷分配
20.1 狄利剋雷分布
20.1.1 分布定義
20.1.2 共軛先驗
20.2 潛在狄利剋雷分配模型
20.2.1 基本想法
20.2.2 模型定義
20.2.3 概率圖模型
20.2.4 隨機變量序列的可交換性
20.2.5 概率公式
20.3 LDA的吉布斯抽樣算法
20.3.1 基本想法
20.3.2 算法的主要部分
20.3.3 算法的後處理
20.3.4 算法
20.4 LDA的變分EM算法
20.4.1 變分推理
20.4.2 變分EM算法
20.4.3 算法推導
20.4.4 算法總結
本章概要
繼續閱讀
習題
參考文獻
第21章 PageRank算法
21.1 PageRank的定義
21.1.1 基本想法
21.1.2 有嚮圖和隨機遊走模型
21.1.3 PageRank的基本定義
21.1.4 PageRank的一般定義
21.2 PageRank的計算
21.2.1 迭代算法
21.2.2 冪法
21.3.3 代數算法
本章概要
繼續閱讀
習題
參考文獻
第22章 無監督學習方法總結
22.1 無監督學習方法的關係和特點
22.1.1 各種方法之間的關係
22.1.2 無監督學習方法
22.1.3 基礎及其學習方法
22.2 話題模型之間的關係和特點
參考文獻
附錄A 梯度下降法
附錄B 牛頓法和擬牛頓法
附錄C 拉格朗日對偶性
附錄D 矩陣的基本子空間
附錄E KL散度的定義和狄利剋雷分布的性質
索引
· · · · · · (收起)
讀後感
读了机器学习实战、深度学习花书、PRML、西瓜书以及这本统计学习方法 总体来说这本书叙述较为详细，数学推导难度适中，可以作为西瓜书的辅助材料阅读。相比较西瓜书来说优点是：都是干活，算法证明过程很详细，缺点是：没有包含最新的一些机器学习算法，甚至神经网络都没有涉及...
評分这本和统计学习导论哪本更适合非科班的工科生呢？另外推断统计里的卡方检验这些和统计学习是什么区别？目录里好像没看到有 t 检验 F检验这些东西，求高人解答，剩下的是为了凑够140字，为啥还不够，还不够，无语了，我还是再多打几个吧，晕，还没够，这和微博比起来两个都是脑...
評分坦诚的讲，如果不是冲着作者的学术地位我不会去买这本书的。当然买回来=了也不后悔，书总体来说还是很好的，特别是针对目前国内几乎没有一本原创机器学习方法教材。但是，在我看来，由于作者平时写文献做报告也大多是英语，另外由于其长期在外企研究单位工作，所以我想作者也还...
評分李航博士这本《统计学习方法》与周志华教授的《机器学习》可以说是中文机器学习领域的经典教材，干货满满，自己如果读透并且实现一遍算法的话会有很大收获，可以参考我写的经验一起学习 https://blog.csdn.net/devil_bye/article/details/80724841
評分这本书作为想要进入机器学习领域的读者来说，是一本必读书籍（我从去年买的，但是看到最近才开始慢慢看懂。。），尤其是算法原理方面，强烈推荐~~~ 1.这本书的内容主要是对于机器学习的监督学习（尤其是分类问题）进行详细介绍，按照“模型+策略+算法”的内容，第一章是...
用戶評價
質量很高的入門書 希望李航老師能一直更新下去
评分搞nlp的福音 知識點還是挺全的 接下來要刷paper瞭
评分質量很高的入門書 希望李航老師能一直更新下去
评分沒有第一版便攜瞭，新增內容大部分是nlp相關，太基礎瞭，失落????
评分國內最好的教材。
相關圖書
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.quotespace.org All Rights Reserved. 小美書屋 版权所有