(1.4)贝叶斯规则

AI100 2023-01-12 23:11:08

课时名称课时知识点
(1.4)贝叶斯规则
...全文
46 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
模式分类PatternClassificationSecondEdition中译本-模式分类.part1.rar 计算机科学丛书——模式分类 Pattern Classification,Second Edition 中译本 ------------------------------------------------------------------------- 作者:(美)Richard O.Duda  Peter E.Hart  David G.Stork --------------------------------------------------------------------------------------------------------- 本书的第一版《模式分类与场景分析》出版于1973年,是模式识别和场景分析领域奠基性的经典名著。在第二版中,除了保留第一版的关于统计模式识别和结构模式识别的主要内容以外,读者会发现新增了许多近25年来的新理论和新方法,其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含了许多实例,各种不同方法的对比,丰富的图表,以及大量的课后习题和计算机练习。本书作为流行和经典的教材,主要面向电子工程、计算机科学、数学和统计学、媒体处理、模式识别、计算机视觉、人工智能和认知科学等领域的研究生和高年级本科生,也可作为相关领域科技人员的重要参考书。 --------------------------------------------------------------------------------------------------------- 图书目录: ------------ 出版者的话 专家指导委员会 译者序 前言 ------------- 第一章绪论 1.1机器感知 1.2一个例子 1.3模式识别系统 1.4设计循环 1.5学习和适应 1.6本章小结 全书各章概要 文献和历史评述 参考文献 ------------------------- 第二章贝叶斯决策论 2.1引言 2.2贝叶斯决策论连续特征 2.3最小误差率分类 2.4分类器判别函数及判定面 2.5正态函数 2.6正态分布的判别函数 2.7误差概率和误差积分 2.8正态密度的误差上界 2.9贝叶斯决策论 2.10丢失特征和噪声特征 2.11贝叶斯置信网 2.12复合贝斯决策论及上下文 本章小结 文献和历史评述 习题 上机练习 参考文献 ----------------------------------------------- 第三章最大似然估计和贝叶斯参数估计 3.1引言 3.2最大似然估计 3.3贝叶斯估计 3.4贝叶斯参数估计 3.5贝轩斯参数估计一般理论 3.6充分统计论 3.7维数问题 3.8成分分析和判别函数 3.9期望最大化算法 3.10隐马尔可夫模型 本章小结 文献和历史评述 习题 上机练习 参考文献 ---------------------- 第四章非参数技术 4.1引言 4.2概率密度的估计 4.3窗方法 4.4近邻估计 4.5最近邻规则 4.6距离度量和最近邻分类 4.7模糊分类 4.8RCE网络 本章小结 文献和历史评述 习题 上机练习 参考文献 -------------------------- 第五章线性判别函数 5.1引言 5.2线性判别函数和判定画 5.3广义线性判函数 5.4两类线性可分的情况 5.5威知器准则函数最小化 5.6松驰算法 5.7不可分的情况 5.8最小平方误差方法 5.9算法 5.10线性规划算法 5.11支持向量机 5.12推广到多类问题 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------------- 第六章多层神经网络 6.1引言 6.2前馈运算和划分 6.3反向传播算法 6.4误差曲面 6.5反向传播作为特征映射 6.6反向传播贝叶斯理论及概述 6.7相关的统计技术 6.8改进反向传播的一些实用技术 6.9二阶技术 6.10其他网络和训练算法 6.11正则化复杂度调节和剪枝 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------- 第七章随机方法 7.1引言 7.2随机搜索 7.3学习 7.4网络和图示模型 7.5进化方法 7.6规则 本章小结 文献和历史评述 习题 上机练习 参考文献 ---------------------- 第八章非度量方法 8.1引言 8.2判定树 8.3CART 8.4其他树方法 8.5串的识别 8.6文法方法 8.7文法推断 8.8基于规则的方法 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------------------------- 第九章独立于算法的机器学习 9.1引言 9.2没有天生优越的分类器 9.3偏差和方差 9.4统计量估计中的重采样技术 9.5分类器设计中的重采样技术 9.6分类器的评价和比较 9.7组合分类器 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------------------- 第十章无监督学习和聚类 10.1引言 10.2混合密度和可辩识性 10.3最大似然估计 10.4对混合正态密度的应用 10.5无监督贝叶斯学习 10.6数据描述和聚类 10.7聚类的准则函数 10.8迭代最优化 10.9层次聚类 10.10验证问题 10.11在线聚焦 10.12图论方法 10.13成分分析 10.14低维数据表示和多维尺度变换 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------ 附录A数学基础 参考文献 索引
模式分类PatternClassificationSecondEdition中译本-模式分类.part2.rar 计算机科学丛书——模式分类 Pattern Classification,Second Edition 中译本 ------------------------------------------------------------------------- 作者:(美)Richard O.Duda  Peter E.Hart  David G.Stork --------------------------------------------------------------------------------------------------------- 本书的第一版《模式分类与场景分析》出版于1973年,是模式识别和场景分析领域奠基性的经典名著。在第二版中,除了保留第一版的关于统计模式识别和结构模式识别的主要内容以外,读者会发现新增了许多近25年来的新理论和新方法,其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含了许多实例,各种不同方法的对比,丰富的图表,以及大量的课后习题和计算机练习。本书作为流行和经典的教材,主要面向电子工程、计算机科学、数学和统计学、媒体处理、模式识别、计算机视觉、人工智能和认知科学等领域的研究生和高年级本科生,也可作为相关领域科技人员的重要参考书。 --------------------------------------------------------------------------------------------------------- 图书目录: ------------ 出版者的话 专家指导委员会 译者序 前言 ------------- 第一章绪论 1.1机器感知 1.2一个例子 1.3模式识别系统 1.4设计循环 1.5学习和适应 1.6本章小结 全书各章概要 文献和历史评述 参考文献 ------------------------- 第二章贝叶斯决策论 2.1引言 2.2贝叶斯决策论连续特征 2.3最小误差率分类 2.4分类器判别函数及判定面 2.5正态函数 2.6正态分布的判别函数 2.7误差概率和误差积分 2.8正态密度的误差上界 2.9贝叶斯决策论 2.10丢失特征和噪声特征 2.11贝叶斯置信网 2.12复合贝斯决策论及上下文 本章小结 文献和历史评述 习题 上机练习 参考文献 ----------------------------------------------- 第三章最大似然估计和贝叶斯参数估计 3.1引言 3.2最大似然估计 3.3贝叶斯估计 3.4贝叶斯参数估计 3.5贝轩斯参数估计一般理论 3.6充分统计论 3.7维数问题 3.8成分分析和判别函数 3.9期望最大化算法 3.10隐马尔可夫模型 本章小结 文献和历史评述 习题 上机练习 参考文献 ---------------------- 第四章非参数技术 4.1引言 4.2概率密度的估计 4.3窗方法 4.4近邻估计 4.5最近邻规则 4.6距离度量和最近邻分类 4.7模糊分类 4.8RCE网络 本章小结 文献和历史评述 习题 上机练习 参考文献 -------------------------- 第五章线性判别函数 5.1引言 5.2线性判别函数和判定画 5.3广义线性判函数 5.4两类线性可分的情况 5.5威知器准则函数最小化 5.6松驰算法 5.7不可分的情况 5.8最小平方误差方法 5.9算法 5.10线性规划算法 5.11支持向量机 5.12推广到多类问题 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------------- 第六章多层神经网络 6.1引言 6.2前馈运算和划分 6.3反向传播算法 6.4误差曲面 6.5反向传播作为特征映射 6.6反向传播贝叶斯理论及概述 6.7相关的统计技术 6.8改进反向传播的一些实用技术 6.9二阶技术 6.10其他网络和训练算法 6.11正则化复杂度调节和剪枝 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------- 第七章随机方法 7.1引言 7.2随机搜索 7.3学习 7.4网络和图示模型 7.5进化方法 7.6规则 本章小结 文献和历史评述 习题 上机练习 参考文献 ---------------------- 第八章非度量方法 8.1引言 8.2判定树 8.3CART 8.4其他树方法 8.5串的识别 8.6文法方法 8.7文法推断 8.8基于规则的方法 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------------------------- 第九章独立于算法的机器学习 9.1引言 9.2没有天生优越的分类器 9.3偏差和方差 9.4统计量估计中的重采样技术 9.5分类器设计中的重采样技术 9.6分类器的评价和比较 9.7组合分类器 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------------------- 第十章无监督学习和聚类 10.1引言 10.2混合密度和可辩识性 10.3最大似然估计 10.4对混合正态密度的应用 10.5无监督贝叶斯学习 10.6数据描述和聚类 10.7聚类的准则函数 10.8迭代最优化 10.9层次聚类 10.10验证问题 10.11在线聚焦 10.12图论方法 10.13成分分析 10.14低维数据表示和多维尺度变换 本章小结 文献和历史评述 习题 上机练习 参考文献 ------------------ 附录A数学基础 参考文献 索引
数据挖掘导论(完整版)(全面介绍数据挖掘的理论和方法) 基本信息 原书名: Introduction to Data Mining 原出版社: Addison Wesley 作者: (美)Pang-Ning Tan Michael Steinbach Vipin Kumar 译者: 范明 范宏建 丛书名: 图灵计算机科学 出版社:人民邮电出版社 ISBN:9787115241009 上架时间:2010-12-16 出版日期:2011 年1月 开本:16开 页码:463 版次:2-1 编辑推荐      《数据挖掘导论(完整版)》全面介绍了数据挖掘,涵盖了五个主题:数据、分类、关联分析、聚类和异常检测。除异常检测外,每个主题都有两章。前一章涵盖基本概念、代表性算法和评估技术,而后一章讨论高级概念和算法。这样读者在透彻地理解数据挖掘的基础的同时,还能够了解更多重要的高级主题。 目录 封面 -16 封底 -15 扉页 -14 版权 -13 版权声明 -12 中文版序 -11 完整版译者序 -10 译者序 -9 译者简介 -8 前言 -7 目录 -4 第1章 绪论 1 1.1 什么是数据挖掘 2 1.2 数据挖掘要解决的问题 2 1.3 数据挖掘的起源 3 1.4 数据挖掘任务 4 1.5 本书的内容与组织 7 文献注释 7 参考文献 8 习题 10 第2章 数据 13 2.1 数据类型 14 2.1.1 属性与度量 15 2.1.2 数据集的类型 18 2.2 数据质量 22 2.2.1 测量和数据收集问题 22 2.2.2 关于应用的问题 26 2.3 数据预处理 27 2.3.1 聚集 27 2.3.2 抽样 28 2.3.3 维归约 30 2.3.4 特征子集选择 31 2.3.5 特征创建 33 2.3.6 离散化和二元化 34 2.3.7 变量变换 38 2.4 相似性和相异性的度量 38 2.4.1 基础 39 2.4.2 简单属性之间的相似度和相异度 40 2.4.3 数据对象之间的相异度 41 2.4.4 数据对象之间的相似度 43 2.4.5 邻近性度量的例子 43 2.4.6 邻近度计算问题 48 2.4.7 选取正确的邻近性度量 50 文献注释 50 参考文献 52 习题 53 第3章 探索数据 59 3.1 鸢尾花数据集 59 3.2 汇总统计 60 3.2.1 频率和众数 60 3.2.2 百分位数 61 3.2.3 位置度量:均值和中位数 61 3.2.4 散布度量:极差和方差 62 3.2.5 多元汇总统计 63 3.2.6 汇总数据的其他方法 64 3.3 可视化 64 3.3.1 可视化的动机 64 3.3.2 一般概念 65 3.3.3 技术 67 3.3.4 可视化高维数据 75 3.3.5 注意事项 79 3.4 OLAP和多维数据分析 79 3.4.1 用多维数组表示鸢尾花数据 80 3.4.2 多维数据:一般情况 81 3.4.3 分析多维数据 82 3.4.4 关于多维数据分析的最后评述 84 文献注释 84 参考文献 85 习题 86 第4章 分类:基本概念、决策树与模型评估 89 4.1 预备知识 89 4.2 解决分类问题的一般方法 90 4.3 决策树归纳 92 4.3.1 决策树的工作原理 92 4.3.2 如何建立决策树 93 4.3.3 表示属性测试条件的方法 95 4.3.4 选择最佳划分的度量 96 4.3.5 决策树归纳算法 101 4.3.6 例子:Web 机器人检测 102 4.3.7 决策树归纳的特点 103 4.4 模型的过分拟合 106 4.4.1 噪声导致的过分拟合 107 4.4.2 缺乏代表性样本导致的过分拟合 109 4.4.3 过分拟合与多重比较过程 109 4.4.4 泛化误差估计 110 4.4.5 处理决策树归纳中的过分拟合 113 4.5 评估分类器的性能 114 4.5.1 保持方法 114 4.5.2 随机二次抽样 115 4.5.3 交叉验证 115 4.5.4 自助法 115 4.6 比较分类器的方法 116 4.6.1 估计准确度的置信区间 116 4.6.2 比较两个模型的性能 117 4.6.3 比较两种分类法的性能 118 文献注释 118 参考文献 120 习题 122 第5章 分类:其他技术 127 5.1 基于规则的分类器 127 5.1.1 基于规则的分类器的工作原理 128 5.1.2 规则的排序方案 129 5.1.3 如何建立基于规则的分类器 130 5.1.4 规则提取的直接方法 130 5.1.5 规则提取的间接方法 135 5.1.6 基于规则的分类器的特征 136 5.2 最近邻分类器 137 5.2.1 算法 138 5.2.2 最近邻分类器的特征 138 5.3 贝叶斯分类器 139 5.3.1 贝叶斯定理 139 5.3.2 贝叶斯定理在分类中的应用 140 5.3.3 朴素贝叶斯分类器 141 5.3.4 贝叶斯误差率 145 5.3.5 贝叶斯信念网络 147 5.4 人工神经网络 150 5.4.1 感知器 151 5.4.2 多层人工神经网络 153 5.4.3 人工神经网络的特点 155 5.5 支持向量机 156 5.5.1 最大边缘超平面 156 5.5.2 线性支持向量机:可分情况 157 5.5.3 线性支持向量机:不可分情况 162 5.5.4 非线性支持向量机 164 5.5.5 支持向量机的特征 168 5.6 组合方法 168 5.6.1 组合方法的基本原理 168 5.6.2 构建组合分类器的方法 169 5.6.3 偏倚—方差分解 171 5.6.4 装袋 173 5.6.5 提升 175 5.6.6 随机森林 178 5.6.7 组合方法的实验比较 179 5.7 不平衡类问题 180 5.7.1 可选度量 180 5.7.2 接受者操作特征曲线 182 5.7.3 代价敏感学习 184 5.7.4 基于抽样的方法 186 5.8 多类问题 187 文献注释 189 参考文献 190 习题 193 第6章 关联分析:基本概念和算法 201 6.1 问题定义 202 6.2 频繁项集的产生 204 6.2.1 先验原理 205 6.2.2 Apriori算法的频繁项集产生 206 6.2.3 候选的产生与剪枝 208 6.2.4 支持度计数 210 6.2.5 计算复杂度 213 6.3 规则产生 215 6.3.1 基于置信度的剪枝 215 6.3.2 Apriori算法中规则的产生 215 6.3.3 例:美国国会投票记录 217 6.4 频繁项集的紧凑表示 217 6.4.1 极大频繁项集 217 6.4.2 闭频繁项集 219 6.5 产生频繁项集的其他方法 221 6.6 FP增长算法 223 6.6.1 FP树表示法 224 6.6.2 FP增长算法的频繁项集产生 225 6.7 关联模式的评估 228 6.7.1 兴趣度的客观度量 228 6.7.2 多个二元变量的度量 235 6.7.3 辛普森悖论 236 6.8 倾斜支持度分布的影响 237 文献注释 240 参考文献 244 习题 250 第7章 关联分析:高级概念 259 7.1 处理分类属性 259 7.2 处理连续属性 261 7.2.1 基于离散化的方法 261 7.2.2 基于统计学的方法 263 7.2.3 非离散化方法 265 7.3 处理概念分层 266 7.4 序列模式 267 7.4.1 问题描述 267 7.4.2 序列模式发现 269 7.4.3 时限约束 271 7.4.4 可选计数方案 274 7.5 子图模式 275 7.5.1 图与子图 276 7.5.2 频繁子图挖掘 277 7.5.3 类Apriori方法 278 7.5.4 候选产生 279 7.5.5 候选剪枝 282 7.5.6 支持度计数 285 7.6 非频繁模式 285 7.6.1 负模式 285 7.6.2 负相关模式 286 7.6.3 非频繁模式、负模式和负相关模式比较 287 7.6.4 挖掘有趣的非频繁模式的技术 288 7.6.5 基于挖掘负模式的技术 288 7.6.6 基于支持度期望的技术 290 文献注释 292 参考文献 293 习题 295 第8章 聚类分析:基本概念和算法 305 8.1 概述 306 8.1.1 什么是聚类分析 306 8.1.2 不同的聚类类型 307 8.1.3 不同的簇类型 308 8.2 K均值 310 8.2.1 基本K均值算法 310 8.2.2 K均值:附加的问题 315 8.2.3 二分K均值 316 8.2.4 K均值和不同的簇类型 317 8.2.5 优点与缺点 318 8.2.6 K均值作为优化问题 319 8.3 凝聚层次聚类 320 8.3.1 基本凝聚层次聚类算法 321 8.3.2 特殊技术 322 8.3.3 簇邻近度的Lance-Williams公式 325 8.3.4 层次聚类的主要问题 326 8.3.5 优点与缺点 327 8.4 DBSCAN 327 8.4.1 传统的密度:基于中心的方法 327 8.4.2 DBSCAN算法 328 8.4.3 优点与缺点 329 8.5 簇评估 330 8.5.1 概述 332 8.5.2 非监督簇评估:使用凝聚度和分离度 332 8.5.3 非监督簇评估:使用邻近度矩阵 336 8.5.4 层次聚类的非监督评估 338 8.5.5 确定正确的簇个数 339 8.5.6 聚类趋势 339 8.5.7 簇有效性的监督度量 340 8.5.8 评估簇有效性度量的显著性 343 文献注释 344 参考文献 345 习题 347 第9章 聚类分析:其他问题与算法 355 9.1 数据、簇和聚类算法的特性 355 9.1.1 例子:比较K均值和DBSCAN 355 9.1.2 数据特性 356 9.1.3 簇特性 357 9.1.4 聚类算法的一般特性 358 9.2 基于原型的聚类 359 9.2.1 模糊聚类 359 9.2.2 使用混合模型的聚类 362 9.2.3 自组织映射 369 9.3 基于密度的聚类 372 9.3.1 基于网格的聚类 372 9.3.2 子空间聚类 374 9.3.3 DENCLUE:基于密度聚类的一种基于核的方案 377 9.4 基于图的聚类 379 9.4.1 稀疏化 379 9.4.2 最小生成树聚类 380 9.4.3 OPOSSUM:使用METIS的稀疏相似度最优划分 381 9.4.4 Chameleon:使用动态建模的层次聚类 381 9.4.5 共享最近邻相似度 385 9.4.6 Jarvis-Patrick聚类算法 387 9.4.7 SNN密度 388 9.4.8 基于SNN密度的聚类 389 9.5 可伸缩的聚类算法 390 9.5.1 可伸缩:一般问题和方法 391 9.5.2 BIRCH 392 9.5.3 CURE 393 9.6 使用哪种聚类算法 395 文献注释 397 参考文献 398 习题 400 第10章 异常检测 403 10.1 预备知识 404 10.1.1 异常的成因 404 10.1.2 异常检测方法 404 10.1.3 类标号的使用 405 10.1.4 问题 405 10.2 统计方法 406 10.2.1 检测一元正态分布中的离群点 407 10.2.2 多元正态分布的离群点 408 10.2.3 异常检测的混合模型方法 410 10.2.4 优点与缺点 411 10.3 基于邻近度的离群点检测 411 10.4 基于密度的离群点检测 412 10.4.1 使用相对密度的离群点检测 413 10.4.2 优点与缺点 414 10.5 基于聚类的技术 414 10.5.1 评估对象属于簇的程度 415 10.5.2 离群点对初始聚类的影响 416 10.5.3 使用簇的个数 416 10.5.4 优点与缺点 416 文献注释 417 参考文献 418 习题 420 附录A 线性代数 423 附录B 维归约 433 附录C 概率统计 445 附录D 回归 451 附录E 优化 457
统计学习是计算机及其应用领域的一门重要的学科。本书全面系统地介绍了统计学习的主要方法,特别是监督学习方法,包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外,每章介绍一种方法。叙述从具体问题或实例入手,由浅入深,阐明思路,给出必要的数学推导,便于读者掌握统计学习方法的实质,学会运用。为满足读者进一步学习的需要,书中还介绍了一些相关研究,给出了少量习题,列出了主要参考文献。 《统计学习方法》是统计学习及相关课程的教学参考书,适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生,也可供从事计算机应用相关专业的研发人员参考。 《统计学习方法》 第1章统计学习方法概论 1.1统计学习 1.2监督学习 1.2.1基本概念 1.2.2问题的形式化 1.3统计学习三要素 1.3.1模型 1.3.2策略 1.3.3算法 1.4模型评估与模型选择 1.4.1训练误差与测试误差 1.4.2过拟合与模型选择 1.5i~则化与交叉验证 1.5.1正则化 1.5.2交叉验证 1.6泛化能力 1.6.1泛化误差 1.6.2泛化误差上界 1.7生成模型与判别模型 .1.8分类问题 1.9标注问题 1.10回归问题 本章概要 继续阅读 习题 参考文献 第2章感知机 2.1感知机模型 2.2感知机学习策略 2.2.1数据集的线性可分性 2.2.2感知机学习策略 2.3感知机学习算法 2.3.1感知机学习算法的原始形式 2.3.2算法的收敛性 2.3.3感知机学习算法的对偶形式 本章概要 继续阅读 习题 参考文献 第3章众近邻法 3.1 k近邻算法 3.2 k近邻模型 3.2.1模型 3.2.2距离度量 ·3.2.3 k值的选择 3.2.4分类决策规则 3.3k近邻法的实现:kd树 3.3.1构造af树 3.3.2搜索af树 本章概要 继续阅读 习题 参考文献 第4章朴素贝叶斯法 4.1朴素贝叶斯法的学习与分类 4.1.1基本方法 4.1.2后验概率最大化的含义 4.2朴素贝叶斯法的参数估计 4.2.1极大似然估计 4.2.2学习与分类算法 4.2.3贝叶斯估计 本章概要 继续阅读 习题 参考文献 第5章决策树 5.1决策树模型与学习 5.1.1决策树模型 5.1.2决策树与isthen规则 5.1.3决策树与条件概率分布 5.1.4决策树学习 5.2特征选择 5.2.1特征选择问题 5.2.2信息增益 5.2.3信息增益比 5.3决策树的生成 5.3.11d3算法 5.3.2 c4.5的生成算法 5.4决策树的剪枝 5.5cart算法 5.5.1cart生成 5.5.2cart剪枝 本章概要 继续阅读 习题 参考文献 第6章逻辑斯谛回归与最大熵模型 6.1逻辑斯谛回归模型 6.1.1逻辑斯谛分布 6.1.2项逻辑斯谛回归模型 6.1.3模型参数估计 6.1.4多项逻辑斯谛回归 6.2最大熵模型 6.2.1最大熵原理 6.2.2最大熵模型的定义 6.2.3最大熵模型的学习 6.2.4极大似然估计 6.3模型学习的最优化算法 6.3.1改进的迭代尺度法 6.3.2拟牛顿法 本章概要 继续阅读 习题 参考文献 第7章支持向量机 7.1线性可分支持向量机与硬间隔最大化 7.1.1线性可分支持向量机 7.1.2函数间隔和几何间隔 7.1.3间隔最大化 7.1.4学习的对偶算法 7.2线性支持向量机与软间隔最大化 7.2.1线性支持向量机 7.2.2学习的对偶算法 7.2.3支持向量 7.2.4合页损失函数 7.3非线性支持向量机与核函数 7.3.1核技巧 7.3.2定核 7.3.3常用核函数 7.3.4非线性支持向量分类机 7.4序列最小最优化算法 7.4.1两个变量二次规划的求解方法 7.4.2变量的选择方法 7.4.3smo算法 本章概要 继续阅读 习题 参考文献 第8章提升方法 8.1提升方法adaboost算法 8.1.1提升方法的基本思路 8.1.2adaboost算法 8.1.3 adaboost的例子 8.2adaboost算法的训练误差分析 8.3 adaboost算法的解释 8.3.1前向分步算法 8.3.2前向分步算法与ad9boost 8.4提升树 8.4.1提升树模型 8.4.2提升树算法 8.4.3梯度提升 本章概要 继续阅读 习题 参考文献 第9章em算法及其推广 9.1em算法的引入 9.1.1em算法 9.1.2em算法的导出 9.1.3em算法在非监督学习中的应用 9.2em算法的收敛性 9.3em算法在高斯混合模型学习中的应用 9.3.1高斯混合模型 9.3.2高斯混合模型参数估计的em算法 9.4em算法的推广 9.4.1f函数的极大极大算法 9.4.2gem算法 本章概要 继续阅读 习题 参考文献 第10章隐马尔可夫模型 10.1隐马尔可夫模型的基本概念 10.1.1隐马尔可夫模型的定义 10.1.2观测序列的生成过程 10.1.3隐马尔可夫模型的3个基本问题 10.2概率计算算法 10.2.1直接计算法 10.2.2前向算法 10.2.3后向算法 10.2.4一些概率与期望值的计算 10.3学习算法 10.3.1监督学习方法 10.3.2baum-welch算法 10.3.3baum-welch模型参数估计公式 10.4预测算法 10.4.1近似算法 10.4.2维特比算法 本章概要 继续阅读 习题 参考文献 第11章条件随机场 11.1概率无向图模型 11.1.1模型定义 11.1.2概率无向图模型的因子分解 11.2条件随机场的定义与形式 11.2.1条件随机场的定义 11.2.2条件随机场的参数化形式 11.2.3条件随机场的简化形式 11.2.4条件随机场的矩阵形式 11.3条件随机场的概率计算问题 11.3.1前向后向算法 11.3.2概率计算 11.3.3期望值的计算 11.4条件随机场的学习算法 11.4.1改进的迭代尺度法 11.4.2拟牛顿法 11.5条件随机场的预测算法 本章概要 继续阅读 习题 参考文献 第12章统计学习方法总结 附录a梯度下降法 附录b牛顿法和拟牛顿法 附录c拉格朗日对偶性

1

社区成员

发帖
与我相关
我的任务
社区描述
AI100,致力于推进人工智能和数据科学领域的人才培养。目标是在 2025 年前为中国培养100万人工智能工程师,200万各行业数据科学专家,帮助30万中国企业走向智能化。
社区管理员
  • AI100
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧