korado_jx的博客

内容简介 统计学习是计算机及其应用领域的一门重要的学科木书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴滚贝叶斯法、决策树、逻辑斯谛问归与最大熵模型、支持向景机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深.阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用口为满足读者进一步学习的需要，书中还介绍了此相关研究，给出了少量习题，列出了上要参考文献 本书是统计学习及相关课程的教学参考书.适用于高等院校文本数据挖掘、信息检索及自 然语言处理等专业的大学生、研究生.也可供从事计算机应用相关专业的研发人员参考。

本书面向的读者： 这本书对各类读者都有一定用处的，但我们是基于两个主要目标受众而写的。 其中一个目标受众是学习机器学习的大学生（本科或研究生），包括那些已经开始 职业生涯的深度学习和人工智能研究者。另一个目标群体是没有机器学习或统计背景 但要迅速在他们的产品或平台中使用深度学习的软件工程师。深度学习在许多软件 领域都已被证明是有用的，包括计算机视觉、语音和音频处理、自然语言处理、机 器人技术、生物信息学和化学、电子游戏、搜索引擎、网络广告和金融。 为了最好地适应各类读者，这本书被组织为三个部分。第一部分介绍基本的数学 工具和机器学习的概念。 第二部分介绍本质上已解决的技术、最成熟的深 度学习算法。第三部分介绍被广泛认为是深度学习未来研究重点的但更具猜测性的 想法。 读者可以随意跳过不感兴趣或与自己背景不相关的部分。熟悉线性代数、概率 和基本机器学习概念的读者可以跳过第一部分，例如，当读者只是想实现一个能工 作的系统则不需要阅读超出第二部分的内容。为了帮助读者选择章节，图 展示了 这本书的高层组织结构的流程图。 我们假设所有读者都具备计算机科学背景。也假设读者熟悉编程，并且对计算 的性能问题、复杂性理论、入门级微积分和一些图论术语有基本的了解。