机器学习导论（原书第2版）.[土耳其]Ethem Alpaydin(带详细书签)

本书对机器学习的定义和应用实例进行了介绍，涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较、组合多学习器以及增强学习等。最新的第2版增加了三章内容，分别是核机器、图模型、贝叶斯估计，扩展了统计测试的内容，教学案例可以从本书配套网站下载。 机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。机器学习已经有许多成功应用，包括分析以往销售数据来预测客户行为，优化机器人的行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。本书是关于机器学习这一主题内容全面的教科书，涵盖了通常在机器学习导论中并不包括的广泛题材。为了对机器学习问题和解进行统一的论述，本书讨论了源自不同领域的多种方法，包括统计学、模式识别、神经网络、人工智能、信号处理、控制和数据挖掘。书中对所有学习算法都进行了解释，以便读者可以轻易地将书中的公式转变为计算机程序。本书可用作高年级本科生或硕士研究生的教材，也可作为关注机器学习方法应用的专业人员的参考书。 第2版新增内容 各章都进行了改写和更新，新增了核机器（第13章）、贝叶斯估计（第14章）和 图模型（第16章）内容。 在机器学习实验的设计和分析一章（第19章）中扩展了统计检验的内容。 在本书配套网站（http://www.cmpe.boun.edu.tr/~ethem/i2ml2e/）上提供了PPT、勘误等。 增加了一些习题。 作者简介 Ethem Alpaydin　土耳其伊斯坦布尔博阿齐奇大学（Bogazi?i University）计算机工程系教授。他于1990年在瑞士洛桑联邦理工学院获博士学位，1991年在加州大学伯克利分校国际计算机研究所（ICS, UC Berkeley）做博士后工作；之后作为访问学者，先后在美国麻省理工学院、加州大学伯克利分校国际计算机研究所、瑞士戴尔莫尔感知人工智能研究所(IDIAP)从事研究工作。他是土耳其科学院院士，IEEE高级会员，牛津大学出版社《The Computer Journal》杂志编委和Elsevier出版社《Pattern Recognition》杂志副主编。 全面讨论机器学习方法和技术，层次合理、叙述清晰、难度适中。, 涵盖了经典的机器学习算法和理论，同时补充了近年来新出现的机器学习方法。, 最佳的机器学习入门教材。, 《机器学习导论（原书第2版）》讨论了机器学习在统计学、模式识别、神经网络、人工智能、信号处理等不同领域的应用，其中涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较以及增强学习。, 《机器学习导论（原书第2版）》可供完成计算机程序设计、概率论、微积分和线性代数课程的高年级本科生和研究生使用，也可供对机器学习感兴趣的工程技术人员参考。