机器学习:贝叶斯和优化观点,第2版,给出了机器学习的统一观点,涵盖了监督学习的两大支柱,即回归和分类。这本书从基础开始,包括均方,最小二乘法和最大似然法,岭回归,贝叶斯决策理论分类,逻辑回归,决策树。然后,它发展到更新的技术,包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、以EM算法及其近似推理变分版本为重点的贝叶斯推理、蒙特卡罗方法、以贝叶斯网络为重点的概率图模型,隐马尔可夫模型和粒子滤波。对降维和潜变量建模也进行了深入的研究。金宝app
这个调色板的技术总结了一个关于神经网络和深度学习体系结构的扩展章节。这本书还涵盖了统计参数估计,维纳和卡尔曼滤波,凸性和凸优化的基础知识,包括随机逼近和梯度下降算法家族的一章,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。
以数学背后的物理推理为重点,以实例和问题为支撑,对各种方法和技术进行了深入的解释,为学生和研究者理解和应用机器学习概念提供了资源。大部分章节包括典型的案例研究和计算机练习金宝appMATLAB软件. 另外,MATLAB代码可以在一个附带的网站上找到,使读者能够用代码进行实验。