书目

机器学习：贝叶斯和优化方法（英文版·原书第2版）

内容简介

本书通过讲解监督学习的两大支柱――回归和分类――将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。

作者简介

西格尔斯·西奥多里蒂斯（SergiosTheodoridis）雅典大学教授，香港中文大学（深圳）教授，研究兴趣包括机器学习、模式识别和信号处理等。他是IEEEFellow、IETFellow、EURASIPFellow，曾任IEEE信号处理协会副主席、EURASIP主席以及IEEETransactionsonSignalProcessing主编。曾获2017年EURASIPAthanasiosPapoulis奖，2014年IEEE信号处理杂志*佳论文奖，以及2014年EURASIP*有价值服务奖等。此外，他还是经典著作《模式识别》的作者。

目录

在售商品

72家店有售 新书63家
￥99.00起
综合价格品相店铺 只看全新

—  END  —