|
000
|
01631oam2 2200301 450
|
|
001
|
011025154619
|
|
005
|
20221025154619.0
|
|
010
|
|
@a978-7-111-69257-7@dCNY279.00
|
|
100
|
|
@a20201004d2022 em y0chiy0120 ea
|
|
101
|
1
|
@achi@ceng
|
|
102
|
|
@aCN@b110000
|
|
105
|
|
@aa z 001yy
|
|
106
|
|
@ar
|
|
200
|
1
|
@a机器学习@Aji qi xue xi@e贝叶斯和优化方法@dMachine learning@ea Bayesian and optimization perspective@f(希) 西格尔斯·西奥多里蒂斯(Sergios Theodoridis) 著@g王刚等译@zeng
|
|
210
|
|
@a北京@c机械工业出版社@d2022.04
|
|
215
|
|
@a16, 828页@c图@d26cm
|
|
225
|
2
|
@a智能科学与技术丛书@Azhi neng ke xue yu ji shu cong shu
|
|
300
|
|
@a华章教育
|
|
304
|
|
@a译者还有：李忠伟、任明明、李鹏
|
|
305
|
|
@aELSEVIER LTD.授权出版 据原书第2版译出
|
|
330
|
|
@a本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。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，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。
|
|
410
|
0
|
@12001 @a智能科学与技术丛书
|
|
510
|
1
|
@aMachine learning@ea Bayesian and optimization perspective@zeng
|
|
606
|
0
|
@a机器学习@Aji qi xue xi
|
|
690
|
|
@aTP181@v5
|
|
701
|
0
|
@c(希)@a西奥多里迪斯@Axi ao duo li di si@g(Theodoridis, Sergios)@4著
|
|
702
|
0
|
@a王刚@Awang gang@c(计算机，@f1974-)@4译
|
|
905
|
|
@a河南城建学院图书馆@dTP181@eX060
|
|
|
|
|
| |
| 机器学习：贝叶斯和优化方法=Machine learning：a Bayesian and optimization perspective/(希) 西格尔斯·西奥多里蒂斯(Sergios Theodoridis) 著/王刚等译.-北京：机械工业出版社，2022.04 |
| 16, 828页：图；26cm.-(智能科学与技术丛书) |
| 华章教育 |
| |
| ISBN 978-7-111-69257-7：CNY279.00 |
| 本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。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，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。 |
| ● |
正题名：机器学习
索取号：TP181/X060
预约/预借
| 序号
|
登录号
|
条形码
|
馆藏地/架位号
|
状态
|
备注
|
|
1
|
1591032
|
215910325
|
自科库301/301自科库 39排2列5层/
[索取号:TP181/X060]
|
在馆
|
|
