机读格式显示(MARC)

• 000 02078nam 2200325 450

• 001 0000558573

• 005 20220818210700.0

• 010 __ |a 978-7-111-66837-4 |b 精装 |d CNY299.00

• 100 __ |a 20210818d2021 em y0chiy50 ea

• 101 0_ |a eng |g chi

• 102 __ |a CN |b 110000

• 105 __ |a a z 001yy

• 106 __ |a r

• 200 1_ |a 机器学习 |A ji qi xue xi |e 贝叶斯和优化方法 |e 英文版 |d = Machine learning |e a bayesian and optimization perspective |f (希) 西格尔斯·西奥多里蒂斯(Sergios Theodoridis)著 |z eng

• 210 __ |a 北京 |c 机械工业出版社 |d 2021

• 215 __ |a 22, 1130页 |c 图 |d 24cm

• 225 2_ |a 经典原版书库 |A jing dian yuan ban shu ku

• 305 __ |a 据原书第2版影印出版 由ELSEVIER LTD.授权机械工业出版社出版

• 314 __ |a 西格尔斯·西奥多里蒂斯（Sergios Theodoridis） 雅典大学教授，香港中文大学（深圳）教授，研究兴趣包括机器学习、模式识别和信号处理等。他是IEEE Fellow、IET Fellow、EURASIP Fellow，曾任IEEE信号处理协会副主席、EURASIP主席以及IEEE Transactions on Signal Processing主编

• 330 __ |a 本书通过讲解监督学习的两大支柱—回归和分类—将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、最小二乘和最大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。

• 333 __ |a 计算机专业相关人员

• 410 _0 |1 2001 |a 经典原版书库

• 500 1_ |a Machine learning : a bayesian and optimization perspective |m Chinese

• 517 1_ |a 贝叶斯和优化方法 |A bei ye si he you hua fang fa

• 606 0_ |a 机器学习 |A ji qi xue xi |j 英文

• 690 __ |a TP181 |v 5

• 701 _1 |a 西奥多里迪斯 |A xi ao duo li di si |g (Theodoridis, Sergios) |4 著

• 801 _0 |a CN |b 北京京城新安 |c 20220813

• 905 __ |a WFKJXY |d TP181/225

• 920 __ |a 4370400 |z 1