传统的机器学习教材可以分为两类:一类适用于具有充分数学知识的高年级本科生或研究生,另一类则是关于如何编写算法程序的入门手册。本书的特别之处是书中既展示了如何去使用构成机器学习方法的算法,也提供了理解这些算法如何工作以及为什么工作所需的数学背景。这使得本书自2009年首版以来大获好评并被国际上很多大学选用为本科生机器学习课程教材。2009年以后,机器学习领域又出现了一些显著的发展,比如机器学习算法的统计解释越来越有用并流行。而这给那些缺乏强大统计背景的计算机科学专业的学生带去学习上的困难。本书的第2版致力于弥补这一缺陷,帮助学生一方面通过掌握相关的数学和统计学知识,另一方面通过必要的编程和实践,来充分理解机器学习的现代算法。第2版中不但新增了深度信念网络和高斯过程两章,全书的章节都进行了
《学习Java(影印版上下第4版)》由尼麦耶、洛 伊克所著,如果你是Java新手,那么这本畅销指南的 第四版将可以为你提供关于Java 6和Java 7中语言特 性和API的贴心介绍。通过引人入胜、与实践结合并 且饶有趣味的示例,作者Patrick Niemeyer和 Daniel Leuck为你介绍了Java的基础内容包括它 的类库、编程技术和习惯用法并且始终以构建实 际应用的眼光来看待。如果你是Java熟手,那么《学 习Java(影印版上下第4版)》将让你快速上手新的并 发工具集以及适用于Web服务和XML的Java API,你将 学到新的强有力的方法来管理应用中的资源和异常。
《模式分类》(英文版)(第2版)清晰地阐明了模式识别的经典方法和新方法,包括神经网络、随机方法、遗传算法以及机器学习理论。提供了大量双色图表,用于突出展示各种概念。收录了大量实用的例题。采用伪代码形式的模式识别算法。扩充了对正文有关键意的习题和计算机练习。用算法形式讲解特殊的模式识别和机器学习技术。每章后面均附有文献历史评述以及重要的参考文献。附录补充了必要的数学基础知识。