机器学习:贝叶斯和优化视角,第二版,通过涵盖监督学习的两大支柱,即回归和分类,给出了机器学习的统一视角。这本书从基础开始,包括均方,最小二乘和最大似然方法,岭回归,贝叶斯决策理论分类,逻辑回归和决策树。然后,它进展到更近期的技术,包括稀疏建模方法,学习重建核希尔伯特空间和支持向量机,关注EM算法的贝叶斯推理和它的近似推理变分版本,蒙特卡罗方法,关注贝叶斯网络的概率图形模型,金宝app隐马尔可夫模型和粒子滤波。还深入考虑了降维和潜在变量建模。
本教程以神经网络和深度学习架构的扩展章节结束。这本书还涵盖统计参数估计的基础,维纳和卡尔曼滤波,凸和凸优化,包括一章关于随机近似和梯度下降家族的算法,介绍相关的在线学习技术以及分布式优化的概念和算法版本。
专注于数学背后的物理推理,所有的各种方法和技术都被深入解释,由例子和问题支持,为学生和研究人员理解和应用机器学习概念提供资源。金宝app大部分章节包括典型的案例研究和计算机练习MATLAB.此外,MATLAB代码可在附带的网站上获得,使读者能够试验代码。