哈喽啊大家,今天又来给大家推荐一本机器学习方面的书籍<机器学习导论
>。本书适合入门学习的机器学习教程,让你全面掌握机器学习的方法和技术。
此外<机器学习导论
>把机器学习的热门话题(如Tom Mitchell)与概率论基础(如Christopher Bishop)很好地融合在一起。第3版向这个重要和迅速发展领域中的学生和研究者介绍了机器学习的一些新和重要的课题(例如,谱方法、深度学习和学习排名)。
PDF书籍: 完整版本链接获取
👉[CSDN大礼包🎁:<
机器学习导论(第三版)
> PDF 免费分享 免费获取)]👈
😝有需要的小伙伴,可以V扫描下方二维码免费领取==🆓
【目录】
第1章引言
第2章监督学习
第3章贝叶斯决策理论
第4章参数方法
第5章多元方法
第6章维度归约
第7章聚类
第8章非参数方法
第9章决策树
第10章线性判别式
第11章多层感知器
第12章局部模型
第13章核机器
第14章图方法
第15章隐马尔科夫模型
第16章贝叶斯估计
第17章组合多学习器
第18章增强学习
第19章机器学习实验的设计与分析
附录A概率论
索引
机器学习正在迅速成为计算机科学专业的学生必须掌握的一门技能。本书第3版反映了这种变化,增加了对初学者的支持,包括给出了部分习题的参考答案和补充了实例数据集(提供在线代码)。
其他显著的变化包括离群点检测的讨论、感知器和支持向量机的排名算法、矩阵分解和谱方法、距离估计、新的核算法、多层感知器的深度学习和非参数贝叶斯方法。
书中对所有学习算法都进行了解释,以便读者可以很容易地将书中的公式转变为计算机程序。本书可以用作高年级本科生和硕士研究生的教材,也可供研究机器学习方法的技术人员参考。
PDF书籍: 完整版本链接获取
👉[CSDN大礼包🎁:<
机器学习导论(第三版)
> PDF 免费分享 免费获取)]👈
😝有需要的小伙伴,可以V扫描下方二维码免费领取==🆓