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，通过讲解监督学习的两大支柱 回归和分类，站在全景视角将这些繁杂的方法一一打通，形成了明晰的机器学习知识体系。 新版对内容做了全面更新，使各章内容相对独立。全书聚焦于数学理论背后的物理推理，关注贴近应用层的方法和算法，并辅以大量实例和习题，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、统计/贝叶斯学习、稀疏建模和深度学习等课程的学生参考。 此外，本书的所有代码均可免费下载，包含MATLAB和Python两个版本。 第2版重要更新 重写了关于神经网络和深度学习的章节，以反映自第1版以来的新进展。这一章从感知器和前馈神经网络的基础概念开始讨论，对深度网络进行了深入研究，涵盖较新的优化算法、批标准化、正则化技术（如Dropout
¥215.90定价：¥299.00 (7.23折)
本书在完美地合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。
¥67.60定价：¥89.00 (7.6折)
