机读格式显示(MARC)

• 000 01904nam 2200325 450

• 001 0000212983

• 005 20250805110200.0

• 010 __ |a 978-7-111-77225-5 |d CNY139.00

• 100 __ |a 20250328d2025 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a a a 000yy

• 106 __ |a r

• 200 1_ |a 统计机器学习 |A tong ji ji qi xue xi |e 原理与实践 |f 理查德·M. 戈尔登著 |d = Statistical machine learning |e a unified framework |f Richard M. Golden |g 刘凯等译 |z eng

• 210 __ |a 北京 |c 机械工业出版社 |d 2025.03

• 215 __ |a XIV, 362页 |c 图 |d 24cm

• 225 2_ |a 智能系统与技术丛书 |A zhi 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 |1 2001 |a 智能系统与技术丛书

• 510 1_ |a Statistical machine learning : a unified framework |z Chinese

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP18 |v 5

• 701 _1 |a 戈尔登 |A ge er deng |g (Golden, Richard M.) |4 著

• 702 _0 |a 刘凯 |A liu kai |4 译

• 702 _0 |a 刘凯 |A liu kai |4 译

• 801 _0 |a CN |b 安徽时代 |c 20250724

• 905 __ |a AHLSL |d TP18/275