简介
本书面向高年级本科生、研究生、企业从业人员和科研人员，从概率机器学习的视角，系统梳理介绍机器学习的基本原理、典型算法，并结合具体案例介绍相关方法的实践性能。内容主要分为：1）基础知识；2）经典机器学习方法；3）学习理论；4）前沿进展。其中在基础知识部分，将介绍概率机器学习的内涵和主要内容，以及概率统计的基本工具。在经典机器学习部分，将介绍有监督、无监督两类任务下的机器学习方法。在学习理论部分，将介绍机器学习性能的评价方法，以及典型的泛化性、稳定性等分析方法。在前沿进展部分，将介绍概率图模型、深度生成模型、深度强化学习等内容。在四部分内容的相互配合下，形成由浅入深、由理论到应用的基本架构，引导读者逐步掌握机器学习的原理方法。
编辑推荐
本书以概率建模和推断为主线，系统阐述机器学习的基本原理、典型模型和算法，包括经典机器学习模型和算法、学习理论，也包括深度神经、概率图模型、深度生成模型、强化学习等前沿内容。通俗易懂，逻辑性强，可操作性好。 简化复杂的数学证明和推导过程，并配套大量典型实例和示意图，理论与应用交错编排，图文并茂、深入浅出地阐述机器学习的基本原理、算法和应用，使读者只需具备高等数学的基础知识即可阅读本书。 本书是作者在二十余年机器学习研究的成果上，总结在清华大学讲授十余年“统计机器学习”课程的基础上编写而成的，特别适合作为机器学习的基础教材。可供理工科高等院校的高年级本科生、研究生、教师以及从事机器学习的研究人员和工程技术人员阅读。 本书配套教学大纲、教学课件和习题答案，读者可登录清华大学出版社网站下载。
更多出版物信息
- 版权： 清华大学出版社
- 出版： 2023-07-01
- 更新： 2024-05-28
- 书号：9787302631842
- 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
