机读格式显示(MARC)

• 000 01756nam0 2200313 450

• 001 0000917716

• 005 20231205082500.0

• 010 __ |a 978-7-302-63401-0 |d CNY99.00 (含手册)

• 100 __ |a 20231027d2023 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 机器学习中的统计思维 |A ji qi xue xi zhong de tong ji si wei |e Python实现 |f 董平编著

• 210 __ |a 北京 |c 清华大学出版社 |d 2023

• 215 __ |a 351页 |c 图 |d 26cm |e 手册1册 (60页 ; 23cm)

• 300 __ |a 机器学习统计分析

• 314 __ |a 董平 (博士), 上海对外经贸大学统计与信息学院讲师。曾获概率论与数理统计理学博士学位 (山东大学2018)、理学学士学位和经济学学士学位 (山东大学2012), 美国迈密大学访问学者。主要研究颍域为高维数据、假设检验、半监督回归、统计机器学习等。参与多项科研项目和工程类项目, 主持多项校级课程建设项目, 曾获第三届上海市高校教师教学创新大赛二等奖。

• 320 __ |a 有书目 (第349-351页)

• 330 __ |a 本书以统计思维的视角, 揭示监督学习中回归和分类模型的核心思想, 帮助读者构建理论体系。具体模型包括线性回归模型、K近邻模型、贝叶斯推断、逻辑回归模型、最大熵模型、决策树模型、感知机模型、支持向量机、EM　算法和提升方法。本书共12章, 绪论介绍贯穿本书的两大思维模式, 以及关于全书的阅读指南 ; 第1章介绍一些基本术语, 并给出监督学习的流程 ; 第2章介绍关于回归问题的机器学习方法 ; 第3￣9章介绍关于分类问题的机器学习方法 ; 第10章介绍可应用于具有隐变量模型的参数学习算法一EM算法 ; 第11章简单介绍集成学习, 并重点阐述其中的提升 (Boosting) 方法。

• 517 1_ |a Python实现 |A Python shi xian

• 606 0_ |a 机器学习 |A ji qi xue xi

• 606 0_ |a 程序语言 |A cheng xu yu yan |x 程序设计

• 610 0_ |a Python |A Python

• 690 __ |a TP181 |v 5

• 701 _0 |a 董平 |A dong ping |4 编著

• 801 _0 |a CN |b HDUL |c 20231205

• 905 __ |a HDUL |d TP181/4109

• 920 __ |a 233030 |z 1