思维导图备注

机器学习与Python实践 - 黄勉
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

第6章 局部建模

浏览 6 扫码
  • 小字体
  • 中字体
  • 大字体
2024-04-30 09:41:20
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 封面
  • 版权信息
  • 内容提要
  • 丛书序
  • 前言
  • 微课视频列表说明
  • 第1章 机器学习概述
    • 1.1 引言
    • 1.2 机器学习的分类
    • 1.3 机器学习的发展历程及应用
    • 本章习题
  • 第2章 Python科学计算简介
    • 2.1 基础变量类型
    • 2.2 控制语句和函数
    • 2.3 用于科学计算和数据处理的库
    • 2.4 作图和可视化
    • 2.5 输入和输出
    • 2.6 面向对象编程
    • 2.7 Python常用工具库
    • 本章习题
  • 第3章 无监督学习
    • 3.1 描述性统计
    • 3.2 核密度估计
    • 3.3 k均值算法
    • 3.4 主成分分析
    • 3.5 混合模型和隐马尔可夫模型
    • 本章习题
  • 第4章 线性回归和正则化方法
    • 4.1 回归分析流程
    • 4.2 变量选择基础
    • 4.3 正则化方法
    • 4.4 回归估计和矩阵分解
    • 本章习题
  • 第5章 分类
    • 5.1 判别分析
    • 5.2 逻辑回归
    • 5.3 支持向量机
    • 5.4 分类的评判
    • 本章习题
  • 第6章 局部建模
    • 6.1 样条方法
    • 6.2 核技巧
    • 6.3 局部回归
    • 本章习题
  • 第7章 模型选择和模型评估
    • 7.1 模型评估
    • 7.2 模型选择
    • 7.3 估计的自由度
    • 7.4 案例分析：期权隐含分布估计（续1）
    • 本章习题
  • 第8章 统计推断基础
    • 8.1 极大似然估计
    • 8.2 置信区间和假设检验
    • 8.3 Bootstrap方法
    • 8.4 KL距离和信息论相关概念
    • 8.5 EM算法
    • 本章习题
  • 第9章 贝叶斯方法
    • 9.1 贝叶斯定理
    • 9.2 贝叶斯视角下的频率方法
    • 9.3 抽样方法
    • 9.4 变分推断
    • 本章习题
  • 第10章 树和树的集成
    • 10.1 回归树和分类树
    • 10.2 Bagging和随机森林
    • 10.3 提升树Boosting Trees
    • 本章习题
  • 第11章 深度学习
    • 11.1 前馈神经网络和梯度下降算法
    • 11.2 网络结构
    • 11.3 自编码和生成模型
    • 11.4 揭开深度学习的黑箱
    • 本章习题
  • 第12章 强化学习
    • 12.1 基于值函数的强化学习
    • 12.2 值函数近似和深度Q网络
    • 12.3 策略梯度和Actor-Critic方法
    • 12.4 学习、推演和搜索
    • 本章习题
  • 参考文献
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《机器学习与Python实践 - 黄勉》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度