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。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
作者简介:
西格尔斯·西奥多里蒂斯（Sergios Theodoridis） 雅典大学教授，香港中文大学（深圳）教授，研究兴趣包括机器学习、模式识别和信号处理等。他是IEEE Fellow、IET Fellow、EURASIP Fellow，曾任IEEE信号处理协会副主席、EURASIP主席以及IEEE Transactions on Signal Processing主编。曾获2017年EURASIP Athanasios Papoulis奖，2014年IEEE信号处理杂志最佳论文奖，以及2014年EURASIP最有价值服务奖等。此外，他还是经典著作《模式识别》的第一作者。
目录:
第1章 引言1
第2章 概率和随机过程13
第3章 参数化建模学习：概念和方向46
第4章 均方误差线性估计85
第5章 随机梯度下降：LMS算法族127
第6章 最小二乘算法族181
第7章 分类：经典方法导览215
第8章 参数学习：凸分析方法252
第9章 稀疏感知学习：概念和理论基础307
第10章 稀疏感知学习：算法和应用341
第11章 再生核希尔伯特空间中的学习383
第12章 贝叶斯学习：推断和EM算法431
第13章 贝叶斯学习：近似推断和非参模型471
第14章 蒙特卡罗方法532
第15章 概率图模型：第一部分561
第16章 概率图模型：第二部分597
第17章 粒子滤波633
第18章 神经网络和深度学习656
第19章 降维与潜变量模型755
第8章附录
第10章附录
第12章附录
点击下载