機器學習：貝葉斯和優(yōu)化方法（英文版·原書第2版）內(nèi)容簡介

本書通過講解監(jiān)督學習的兩大支柱——回歸和分類——將機器學習納入統(tǒng)一視角展開討論。書中首先討論基礎知識，包括均方、*小二乘和*大似然方法、嶺回歸、貝葉斯決策理論分類、邏輯回歸和決策樹。然后介紹新近的技術，包括稀疏建模方法，再生核希爾伯特空間中的學習、支持向量機中的學習、關注EM算法的貝葉斯推理及其近似推理變分版本、蒙特卡羅方法、聚焦于貝葉斯網(wǎng)絡的概率圖模型、隱馬爾科夫模型和粒子濾波。此外，本書還深入討論了降維和隱藏變量建模。全書以關于神經(jīng)網(wǎng)絡和深度學習架構(gòu)的擴展章節(jié)結(jié)束。此外，書中還討論了統(tǒng)計參數(shù)估計、維納和卡爾曼濾波、凸性和凸優(yōu)化的基礎知識，其中，用一章介紹了隨機逼近和梯度下降族的算法，并提出了分布式優(yōu)化的相關概念、算法和在線學習技術。

Prefaceiv

Acknowledgmentsvi

About the Authorviii

Notationix

CHAPTER1 Introduction1

11 The Historical Context1

12 Artificia Intelligenceand Machine Learning2

13 Algorithms Can Learn WhatIs Hidden in the Data4

14 Typical Applications of Machine Learning6

Speech Recognition6

Computer Vision6

Multimodal Data6

Natural Language Processing7

Robotics7

Autonomous Cars7

Challenges for the Future8

15 Machine Learning: Major Directions8

151 Supervised Learning8

16 Unsupervised and Semisupervised Learning11

17 Structure and a Road Map of the Book12

References16

CHAPTER2 Probability and Stochastic Processes19

21 Introduction20

22 Probability and Random Variables20

221 Probability20

222 Discrete Random Variables22

223 Continuous Random Variables24

224 Meanand Variance25

225 Transformation of Random Variables28

23 Examples of Distributions29

231 Discrete Variables29

232 Continuous Variables32

24 Stochastic Processes41

241 First-and Second-Order Statistics42

242 Stationarity and Ergodicity43

243 Power Spectral Density46

244 Autoregressive Models51

25 Information Theory54

251 Discrete Random Variables56

252 Continuous Random Variables59

26 Stochastic Convergence61

Convergence Everywhere62

Convergence Almost Everywhere62

Convergence in the Mean-Square Sense62

Convergence in Probability63

Convergence in Distribution63

Problems63

References65

CHAPTER3 Learning in Parametric Modeling: Basic Concepts and Directions67

31 Introduction67

32 Parameter Estimation: the Deterministic Point of View68

33 Linear Regression71

34Classifcation75

Generative Versus Discriminative Learning78

35 Biased Versus Unbiased Estimation80

351 Biased or Unbiased Estimation"para" label-module="para">

36 The Cram閞朢ao Lower Bound83

37 Suffcient Statistic87

38 Regularization89

Inverse Probl

2100433B

本書創(chuàng)造性地匯編了數(shù)據(jù)挖掘技術，將統(tǒng)計數(shù)據(jù)挖掘和機器學習數(shù)據(jù)挖掘進行了區(qū)分，對經(jīng)典和現(xiàn)代統(tǒng)計方法框架進行了擴展，以用于預測建模和大數(shù)據(jù)分析。本書在第2版的基礎上新增了13章，內(nèi)容涵蓋數(shù)據(jù)科學發(fā)展歷程、市場份額估算、無抽樣調(diào)研數(shù)據(jù)預測錢包份額、潛在市場細分、利用缺失數(shù)據(jù)構(gòu)建統(tǒng)計回歸模型、十分位分析評估數(shù)據(jù)的預測能力，以及一個無須精通自然語言處理就能使用的文本挖掘工具。本書適合數(shù)據(jù)挖掘從業(yè)者以及對機器學習數(shù)據(jù)挖掘感興趣的人閱讀。

本書是數(shù)據(jù)挖掘和機器學習領域的經(jīng)典暢銷教材，被國內(nèi)外眾多名校選用。第4版新增了關于深度學習和概率方法的重要章節(jié)，同時，備受歡迎的機器學習軟件Weka也再度升級。書中全面覆蓋了該領域的實用技術，致力于幫助讀者理解不同技術的工作方式和應用方式，從而學會在工程實踐和商業(yè)項目中解決真實問題。本書適合作為高等院校相關課程的教材，同時也適合業(yè)內(nèi)技術人員閱讀參考。

第3版前言

第2版前言

致謝

關于作者

第1章　引論

第2章　數(shù)據(jù)處理相關學科：統(tǒng)計學和數(shù)據(jù)科學

第3章　變量評估的兩種基本數(shù)據(jù)挖掘方法

第4章　用于評估成對變量的基于CHAID的數(shù)據(jù)挖掘方法

第5章　校直數(shù)據(jù)的簡單性和可取性對建模十分重要

第6章　排序數(shù)據(jù)對稱化：提高數(shù)據(jù)預測能力的統(tǒng)計數(shù)據(jù)挖掘方法

第7章　主成分分析：多變量評估的統(tǒng)計數(shù)據(jù)挖掘方法

第8章　市場份額估算：一個特殊的數(shù)據(jù)挖掘案例

第9章　相關系數(shù)在[-1, 1]內(nèi)取值，是這樣嗎

第10章　邏輯斯諦回歸：回應建模方法

第11章　無抽樣調(diào)研數(shù)據(jù)預測錢包份額

第12章　普通回歸：利潤建模的強大工具

第13章　回歸變量選擇方法：可忽略的問題和重要解決方案

第14章　用CHAID解讀邏輯斯諦回歸模型

第15章　回歸系數(shù)的重要性

第16章　相關系數(shù)均值：評估預測模型和預測變量重要性的統(tǒng)計數(shù)據(jù)挖掘指標

第17章　交互變量指定CHAID模型

第18章　市場細分：邏輯斯諦回歸建模

第19章　市場細分：時間序列數(shù)據(jù)LCA

第20章　市場細分：理解細分群體的便捷途徑

第21章　統(tǒng)計回歸模型：理解模型的簡單方法

第22章　CHAID：填充缺失值的方法

第23章　大數(shù)據(jù)建模

第24章　藝術、科學、數(shù)字和詩歌

第25章　識別最佳客戶：描述性、預測性和相似性描述

第26章　營銷模型評估

第27章　十分位分析：視角與效果

第28章　T-C凈提升度模型：評估試驗組與對照組的營銷效果

第29章　自助法在營銷中的應用：一種新的模型驗證方法

第30章　用自助法驗證邏輯斯諦回歸模型

第31章　營銷模型可視化：用數(shù)據(jù)深度挖掘模型

第32章　預測貢獻系數(shù)：預測重要性的度量

第33章　建模是藝術、科學與詩的結(jié)合

第34章　獻給數(shù)據(jù)狂的數(shù)據(jù)分析12步法

第35章　遺傳回歸模型與統(tǒng)計回歸模型

第36章　數(shù)據(jù)重用：GenIQ模型的強大數(shù)據(jù)挖掘技術

第37章　數(shù)據(jù)挖掘技術——離群值的調(diào)整

第38章　過擬合的全新解決方案

第39章　回顧：為何校直數(shù)據(jù)如此重要

第40章　GenIQ模型的定義與應用

第41章　如何為營銷模型選擇最佳變量

第42章　解讀無系數(shù)模型

第43章　文本挖掘：入門、示例及TXTDM軟件

第44章　一些我比較喜歡的統(tǒng)計子程序

譯后記 2100433B