滿額折
機器學習中的統計思維：Python實現（簡體書）
- 系列名：機器學習統計分析
- ISBN13：9787302634010
- 出版社：清華大學出版社(大陸)
- 作者：董平
- 裝訂／頁數：平裝／351頁
- 規格：24cm*17cm (高/寬)
- 版次：一版一次
- 出版日：2023/09/29
相關商品
商品簡介
商品簡介
機器學習是人工智能的核心，而統計思維則是機器學習方法的核心：從隨機性中尋找規律性。例如，利用損失最小化思想制定學習策略，採用概率**化思想估計模型參數，利用方差對不確定性的捕捉構造 k維樹，採用貝葉斯公式構建分類決策模型，等等。只有樹立正確的統計思維，才能準確高效地運用機器學習方法開展數據處理與分析。本書以統計思維的視角，揭示監督學習中回歸和分類模型的核心思想，幫助讀者構建理論體系。具體模型包括線性回歸模型、K近鄰模型、貝葉斯推斷、邏輯回歸模型、**熵模型、決策樹模型、感知機模型、支持向量機、EM算法和提升方法。
本書共 12章，緒論介紹貫穿本書的兩大思維模式，以及關於全書的閱讀指南；第 1章介紹一些基本術語，並給出監督學習的流程；第 2章介紹關於回歸問題的機器學習方法；第 3～9章介紹關於分類問題的機器學習方法；第 10章介紹可應用於具有隱變量模型的參數學習算法――EM算法；第 11章簡單介紹集成學習，並重點闡述其中的提升（Boosting）
方法。為滿足個性化學習需求的不同需求，本書從核心思想、方法流程及實際案例應用等不同角度，詳細描述各種方法的原理和實用價值，非常適合數據科學、機器學習專業的本科生和研究生學習，也可供相關從業者參考。
本書共 12章，緒論介紹貫穿本書的兩大思維模式，以及關於全書的閱讀指南；第 1章介紹一些基本術語，並給出監督學習的流程；第 2章介紹關於回歸問題的機器學習方法；第 3～9章介紹關於分類問題的機器學習方法；第 10章介紹可應用於具有隱變量模型的參數學習算法――EM算法；第 11章簡單介紹集成學習，並重點闡述其中的提升（Boosting）
方法。為滿足個性化學習需求的不同需求，本書從核心思想、方法流程及實際案例應用等不同角度，詳細描述各種方法的原理和實用價值，非常適合數據科學、機器學習專業的本科生和研究生學習，也可供相關從業者參考。
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。