简介
《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》在一个通用的概念框架中描述通用于数据挖掘、机器学习和生物信息学等领域的重要思想和概念。这些统计学范畴下的概念是人工智能与机器学习的基础。全书共18 章，主题包括监督学习、回归的线性方法、分类的线性方法、基展开和正则化、核光滑方法、模型评估和选择、模型推断和平均、加性模型、树和相关方法、Boosting 和加性树、神经网络、支持向量机和柔性判断、原型方法和最近邻、非监督学习、随机森林、集成学习、无向图模型和高维问题等。 《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》主题全面，是一本经典的统计学习教材，适合本科高年级学生和研究生使用和参考。
编辑推荐
《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》包含人工智能中用到的许多代表性主题，比如图模型、随机森林、集成方法、Lasso最小角度回归和路径算法、非负矩阵分解和频谱聚类。此外，还用一章篇幅来介绍“宽”数据（p大于n）的方法，包括多次测试和误检率。 对统计领域、人工智能领域及相关科学或行业领域内的读者而言，《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》是一个难得的宝库，涉及面很广，从监督学习（预测）到无监督学习，具体主题包括神经网络、支持向量机、分类树和Boosting（率先对该主题进行综合论述）。与此同时，书中还包含丰富的示例和大量彩色的图表。
更多出版物信息
- 版权： 清华大学出版社
- 出版： 2020-07-01
- 更新： 2023-10-09
- 书号：9787302557395
- 中图：TP181
- 学科：工学控制科学与工程工学计算机科学与技术交叉学科智能科学与技术
