16.4.2*近邻分类器
第17章贝叶斯推理
17.1贝叶斯预测分布
17.1.1定义
17.1.2与极大似然估计的比较
17.1.3计算问题
17.2共轭先验
17.3*大后验估计
17.4贝叶斯模型选择
第18章边缘相似的解析近似
18.1拉普拉斯近似
18.1.1高斯密度估计
18.1.2例证
18.1.3应用于边际似然逼近
18.1.4贝叶斯信息准则
18.2变分近似
18.2.1变分贝叶斯*大期望算法
18.2.2与一般*大期望法的关系
第19章预测分布的数值近似
19.1蒙特卡罗积分
19.2重要性采样
19.3采样算法
19.3.1逆变换采样
19.3.2拒绝采样
19.3.3马尔可夫链蒙特卡罗方法
第20章贝叶斯混合模型
20.1高斯混合模型
20.1.1贝叶斯公式化
20.1.2变分推断
20.1.3吉布斯采样
20.2隐狄利克雷分配模型
20.2.1主题模型
20.2.2贝叶斯公式化
20.2.3吉布斯采样
第四部分统计机器学习的判别式方法
第21章学习模型
21.1线性参数模型
21.2核模型
21.3层次模型
第22章*小二乘回归
22.1*小二乘法
22.2线性参数模型的解决方案
22.3*小二乘法的特性
22.4大规模数据的学习算法
22.5层次模型的学习算法
第23章具有约束的*小二乘回归
23.1子空间约束的*小二乘
23.2?2约束的*小二乘
23.3模型选择
第24章稀疏回归
24.1?1约束的*小二乘
24.2解决?1约束的*小二乘
24.3稀疏学习的特征选择
24.4若干扩展
24.4.1广义?1约束*小二乘
24.4.2?p约束*小二乘
24.4.3?1 ?2约束*小二乘
24.4.4?1,2约束*小二乘
24.4.5迹范数约束*小二乘
第25章稳健回归
25.1?2损失*小化的非稳健性
25.2?1损失*小化
25.3Huber损失*小化
25.3.1定义
25.3.2随机梯度算法
25.3.3迭代加权*小二乘
25.3.4?1约束Huber损失*小化
25.4Tukey 损失*小化
第26章*小二乘分类器
26.1基于*小二乘回归的分类器
26.20/1损失和间隔
2

统计机器学习导论/(日)杉山将 作者简介

【加照片】Masashi Sugiyama，东京大学教授，拥有东京工业大学计算机科学博士学位，研究兴趣包括机器学习与数据挖掘的理论、算法和应用，涉及信号处理、图像处理、机器人控制等。2007年获得IBM学者奖，以表彰其在机器学习领域非平稳性方面做出的贡献。2011年获得日本信息处理协会颁发的Nagao特别研究奖，以及日本文部科学省颁发的青年科学家奖，以表彰其对机器学习密度比范型的贡献。

 2/2   首页 上一页 1 2

教材 研究生/本科/专科教材 工学

在线阅读