|
000
|
01889nam 2200313 450
|
|
001
|
92621
|
|
005
|
20250818102804.22
|
|
010
|
|
@a978-7-111-77225-5@dCNY139.00
|
|
100
|
|
@a20250328d2025 em y0chiy50 ea
|
|
101
|
1
|
@achi@ceng
|
|
102
|
|
@aCN@b110000
|
|
105
|
|
@aa a 000yy
|
|
106
|
|
@ar
|
|
200
|
1
|
@a统计机器学习@Atong ji ji qi xue xi@e原理与实践@f(美) 理查德·M. 戈尔登著@d= Statistical machine learning@ea unified framework@fRichard M. Golden@g刘凯 ... [等] 译@zeng
|
|
210
|
|
@a北京@c机械工业出版社@d2025.03
|
|
215
|
|
@aXIV, 362页@c图@d24cm
|
|
225
|
2
|
@a智能系统与技术丛书@Azhi neng xi tong yu ji shu cong shu
|
|
306
|
|
@a由Taylor & Francis出版集团旗下CRC出版公司授权出版
|
|
314
|
|
@a理查德·M.戈尔登 (Richard M. Golden), 得克萨斯大学达拉斯分校认知科学教授, 并兼任该校电子工程系教授。在过去三十年间, 戈尔登教授在统计学与机器学习领域发表了大量学术论文, 并在国际学术会议上就广泛议题发表演讲。他的长期研究兴趣包括:确立确定性及随机性机器学习算法的收敛条件, 以及探究存在概率模型误设情况下的估计与推断问题。
|
|
320
|
|
@a有书目 (第346-362页)
|
|
330
|
|
@a本书主要介绍统计机器学习框架, 该框架以基于机器学习算法获得真实数据生成过程 (DGP) 概率分布的最佳近似为前提。统计机器学习框架由一组核心定理支撑, 能够用来分析许多常见机器学习算法对DGP的渐近性。书中通过相关机器学习案例帮助学生理解框架中的核心定理。具体来说, 本书分为四部分: 第一部分通过实例介绍了机器学习算法概念和描述算法的数学工具 ; 第二部分讨论了确定性学习机的渐近行为 ; 第三部分讨论了随机推理机和随机学习机的渐近行为 ; 第四部分关注的是机器学习算法的泛化性能表征问题。
|
|
410
|
0
|
@12001 @a智能系统与技术丛书
|
|
500
|
10
|
@aStatistical machine learning : a unified framework@mChinese
|
|
606
|
0
|
@a机器学习@Aji qi xue xi
|
|
690
|
|
@aTP181@v5
|
|
701
|
1
|
@a戈尔登@Age er deng@g(Golden, Richard M.)@4著
|
|
702
|
0
|
@a刘凯@Aliu kai@4译
|
|
801
|
0
|
@aCN@c20250909
|
|
905
|
|
@a河南城建学院图书馆@dTP181@eG230@f1
|
|
|
|
|
| |
| 统计机器学习：原理与实践/(美) 理查德·M. 戈尔登著= Statistical machine learning：a unified framework/Richard M. Golden/刘凯 ... [等] 译.-北京：机械工业出版社，2025.03 |
| XIV, 362页：图；24cm.-(智能系统与技术丛书) |
| |
| |
| ISBN 978-7-111-77225-5：CNY139.00 |
| 本书主要介绍统计机器学习框架, 该框架以基于机器学习算法获得真实数据生成过程 (DGP) 概率分布的最佳近似为前提。统计机器学习框架由一组核心定理支撑, 能够用来分析许多常见机器学习算法对DGP的渐近性。书中通过相关机器学习案例帮助学生理解框架中的核心定理。具体来说, 本书分为四部分: 第一部分通过实例介绍了机器学习算法概念和描述算法的数学工具 ; 第二部分讨论了确定性学习机的渐近行为 ; 第三部分讨论了随机推理机和随机学习机的渐近行为 ; 第四部分关注的是机器学习算法的泛化性能表征问题。 |
| ● |
正题名：统计机器学习
索取号：TP181/G230
预约/预借
| 序号
|
登录号
|
条形码
|
馆藏地/架位号
|
状态
|
备注
|
|
1
|
1626585
|
216265850
|
自科库301/301自科库 102排8列6层/
[索取号:TP181/G230]
|
在馆
|
|
