机器学习

机器学习
8.7
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者:
出版社: 清华大学出版社
2016-01
版次: 1
ISBN: 9787302423287
定价: 88.00
装帧: 平装
开本: 16开
纸张: 纯质纸
正文语种: 简体中文
  • 机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章,大致分为3 个部分:第1 部分(第1~3 章)介绍机器学习的基础知识;第2 部分(第4~10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分(第11~16 章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。 周志华,南京大学计算机系教授,ACM杰出科学家,IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任,中国人工智能学会机器学习专业委员会主任,IEEE计算智能学会数据挖掘技术委员会副主席。 目录第1章 11.1 引言 11.2 基本术 21.3 假设空间 41.4 归纳偏好 61.5 发展历程 101.6 应用现状 131.7 阅读材料 16习题 19参考文献 20休息一会儿 22第2章 模型评估与选择 232.1 经验误差与过拟合 232.2 评估方法 242.2.1 留出法 252.2.2 交叉验证法 262.2.3 自助法 272.2.4 调参与最终模型 282.3 性能度量 282.3.1 错误率与精度 292.3.2 查准率、查全率与F1 302.3.3 ROC与AUC 332.3.4 代价敏感错误率与代价曲线 352.4 比较检验 372.4.1 假设检验 372.4.2 交叉验证t检验 402.4.3 McNemar检验 412.4.4 Friedman检验与后续检验 422.5 偏差与方差 442.6 阅读材料 46习题 48参考文献 49休息一会儿 51第3章  线性模型 533.1 基本形式 533.2 线性回归 533.3 对数几率回归 573.4 线性判别分析 603.5 多分类学习 633.6 类别不平衡问题 663.7 阅读材料 67习题   69参考文献   70休息一会儿   72第4章  决策树 734.1 基本流程 734.2 划分选择 754.2.1 信息增益 754.2.2 增益率 774.2.3 基尼指数 794.3 剪枝处理 794.3.1 预剪枝 804.3.2 后剪枝 824.4 连续与缺失值 834.4.1 连续值处理 834.4.2 缺失值处理 854.5 多变量决策树 884.6 阅读材料 92习题   93参考文献   94休息一会儿   95第5章 神经网络 975.1 神经元模型 975.2 感知机与多层网络 985.3 误差逆传播算法 1015.4 全局最小与局部极小 1065.5 其他常见神经网络 1085.5.1 RBF网络 1085.5.2 ART网络 1085.5.3 SOM网络 1095.5.4 级联相关网络 1105.5.5 Elman网络 1115.5.6 Boltzmann机 1115.6 深度学习 1135.7 阅读材料 115习题   116参考文献   117休息一会儿   120第6章 支持向量机 1216.1 间隔与支持向量 1216.2 对偶问题 1236.3 核函数 1266.4 软间隔与正则化 1296.5 支持向量回归 1336.6 核方法 1376.7 阅读材料 139习题   141参考文献   142休息一会儿   145第7章  贝叶斯分类器 1477.1 贝叶斯决策论 1477.2 极大似然估计 1497.3 朴素贝叶斯分类器 1507.4 半朴素贝叶斯分类器 1547.5 贝叶斯网 1567.5.1 结构 1577.5.2 学习 1597.5.3 推断 1617.6 EM算法 1627.7 阅读材料 164习题   166参考文献   167休息一会儿   169第8章  集成学习 1718.1 个体与集成 1718.2 Boosting 1738.3 Bagging与随机森林 1788.3.1 Bagging 1788.3.2 随机森林 1798.4 结合策略 1818.4.1 平均法 1818.4.2 投票法 1828.4.3 学习法 1838.5 多样性 1858.5.1 误差--分歧分解 1858.5.2 多样性度量 1868.5.3 多样性增强 1888.6 阅读材料 190习题   192参考文献   193休息一会儿   196第9章  聚类 1979.1 聚类任务 1979.2 性能度量 1979.3 距离计算 1999.4 原型聚类 2029.4.1 k均值算法 2029.4.2 学习向量量化 2049.4.3 高斯混合聚类 2069.5 密度聚类 2119.6 层次聚类 2149.7 阅读材料 217习题   220参考文献   221休息一会儿   224第10章  降维与度量学习 22510.1 k近邻学习 22510.2 低维嵌入 22610.3 主成分分析 22910.4 核化线性降维 23210.5 流形学习 23410.5.1 等度量映射 23410.5.2 局部线性嵌入 23510.6 度量学习 23710.7 阅读材料 240习题   242参考文献   243休息一会儿   246第11章 特征选择与稀疏学习 24711.1 子集搜索与评价 24711.2 过滤式选择 24911.3 包裹式选择 25011.4 嵌入式选择与L$_1$正则化 25211.5 稀疏表示与字典学习 25411.6 压缩感知 25711.7 阅读材料 260习题   262参考文献   263休息一会儿   266第12章 计算学习理论 26712.1 基础知识 26712.2 PAC学习 26812.3 有限假设空间 27012.3.1 可分情形 27012.3.2 不可分情形 27212.4 VC维 27312.5 Rademacher复杂度 27912.6 稳定性 28412.7 阅读材料 287习题   289参考文献   290休息一会儿   292第13章  半监督学习 29313.1 未标记样本 29313.2 生成式方法 29513.3 半监督SVM 29813.4 图半监督学习 30013.5 基于分歧的方法 30413.6 半监督聚类 30713.7 阅读材料 311习题   313参考文献   314休息一会儿   317第14章 概率图模型 31914.1 隐马尔可夫模型 31914.2 马尔可夫随机场 32214.3 条件随机场 32514.4 学习与推断 32814.4.1 变量消去 32814.4.2 信念传播 33014.5 近似推断 33114.5.1 MCMC采样 33114.5.2 变分推断 33414.6 话题模型 33714.7 阅读材料 339习题   341参考文献   342休息一会儿   345第15章 规则学习 34715.1 基本概念 34715.2 序贯覆盖 34915.3 剪枝优化 35215.4 一阶规则学习 35415.5 归纳逻辑程序设计 35715.5.1 最小一般泛化 35815.5.2 逆归结 35915.6 阅读材料 363习题   365参考文献   366休息一会儿   369第16章  强化学习 37116.1 任务与奖赏 37116.2 $K$-摇臂赌博机 37316.2.1 探索与利用 37316.2.2 $\epsilon $-贪心 37416.2.3 Softmax 37516.3 有模型学习 37716.3.1 策略评估 37716.3.2 策略改进 37916.3.3 策略迭代与值迭代 38116.4 免模型学习 38216.4.1 蒙特卡罗强化学习 38316.4.2 时序差分学习 38616.5 值函数近似 38816.6 模仿学习 39016.6.1 直接模仿学习 39116.6.2 逆强化学习 39116.7 阅读材料 393习题   394参考文献   395休息一会儿   397附录 399A 矩阵 399B 优化 403C 概率分布 409后记 417索引 419
  • 内容简介:
    机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章,大致分为3 个部分:第1 部分(第1~3 章)介绍机器学习的基础知识;第2 部分(第4~10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分(第11~16 章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
  • 作者简介:
    周志华,南京大学计算机系教授,ACM杰出科学家,IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任,中国人工智能学会机器学习专业委员会主任,IEEE计算智能学会数据挖掘技术委员会副主席。
  • 目录:
    目录第1章 11.1 引言 11.2 基本术 21.3 假设空间 41.4 归纳偏好 61.5 发展历程 101.6 应用现状 131.7 阅读材料 16习题 19参考文献 20休息一会儿 22第2章 模型评估与选择 232.1 经验误差与过拟合 232.2 评估方法 242.2.1 留出法 252.2.2 交叉验证法 262.2.3 自助法 272.2.4 调参与最终模型 282.3 性能度量 282.3.1 错误率与精度 292.3.2 查准率、查全率与F1 302.3.3 ROC与AUC 332.3.4 代价敏感错误率与代价曲线 352.4 比较检验 372.4.1 假设检验 372.4.2 交叉验证t检验 402.4.3 McNemar检验 412.4.4 Friedman检验与后续检验 422.5 偏差与方差 442.6 阅读材料 46习题 48参考文献 49休息一会儿 51第3章  线性模型 533.1 基本形式 533.2 线性回归 533.3 对数几率回归 573.4 线性判别分析 603.5 多分类学习 633.6 类别不平衡问题 663.7 阅读材料 67习题   69参考文献   70休息一会儿   72第4章  决策树 734.1 基本流程 734.2 划分选择 754.2.1 信息增益 754.2.2 增益率 774.2.3 基尼指数 794.3 剪枝处理 794.3.1 预剪枝 804.3.2 后剪枝 824.4 连续与缺失值 834.4.1 连续值处理 834.4.2 缺失值处理 854.5 多变量决策树 884.6 阅读材料 92习题   93参考文献   94休息一会儿   95第5章 神经网络 975.1 神经元模型 975.2 感知机与多层网络 985.3 误差逆传播算法 1015.4 全局最小与局部极小 1065.5 其他常见神经网络 1085.5.1 RBF网络 1085.5.2 ART网络 1085.5.3 SOM网络 1095.5.4 级联相关网络 1105.5.5 Elman网络 1115.5.6 Boltzmann机 1115.6 深度学习 1135.7 阅读材料 115习题   116参考文献   117休息一会儿   120第6章 支持向量机 1216.1 间隔与支持向量 1216.2 对偶问题 1236.3 核函数 1266.4 软间隔与正则化 1296.5 支持向量回归 1336.6 核方法 1376.7 阅读材料 139习题   141参考文献   142休息一会儿   145第7章  贝叶斯分类器 1477.1 贝叶斯决策论 1477.2 极大似然估计 1497.3 朴素贝叶斯分类器 1507.4 半朴素贝叶斯分类器 1547.5 贝叶斯网 1567.5.1 结构 1577.5.2 学习 1597.5.3 推断 1617.6 EM算法 1627.7 阅读材料 164习题   166参考文献   167休息一会儿   169第8章  集成学习 1718.1 个体与集成 1718.2 Boosting 1738.3 Bagging与随机森林 1788.3.1 Bagging 1788.3.2 随机森林 1798.4 结合策略 1818.4.1 平均法 1818.4.2 投票法 1828.4.3 学习法 1838.5 多样性 1858.5.1 误差--分歧分解 1858.5.2 多样性度量 1868.5.3 多样性增强 1888.6 阅读材料 190习题   192参考文献   193休息一会儿   196第9章  聚类 1979.1 聚类任务 1979.2 性能度量 1979.3 距离计算 1999.4 原型聚类 2029.4.1 k均值算法 2029.4.2 学习向量量化 2049.4.3 高斯混合聚类 2069.5 密度聚类 2119.6 层次聚类 2149.7 阅读材料 217习题   220参考文献   221休息一会儿   224第10章  降维与度量学习 22510.1 k近邻学习 22510.2 低维嵌入 22610.3 主成分分析 22910.4 核化线性降维 23210.5 流形学习 23410.5.1 等度量映射 23410.5.2 局部线性嵌入 23510.6 度量学习 23710.7 阅读材料 240习题   242参考文献   243休息一会儿   246第11章 特征选择与稀疏学习 24711.1 子集搜索与评价 24711.2 过滤式选择 24911.3 包裹式选择 25011.4 嵌入式选择与L$_1$正则化 25211.5 稀疏表示与字典学习 25411.6 压缩感知 25711.7 阅读材料 260习题   262参考文献   263休息一会儿   266第12章 计算学习理论 26712.1 基础知识 26712.2 PAC学习 26812.3 有限假设空间 27012.3.1 可分情形 27012.3.2 不可分情形 27212.4 VC维 27312.5 Rademacher复杂度 27912.6 稳定性 28412.7 阅读材料 287习题   289参考文献   290休息一会儿   292第13章  半监督学习 29313.1 未标记样本 29313.2 生成式方法 29513.3 半监督SVM 29813.4 图半监督学习 30013.5 基于分歧的方法 30413.6 半监督聚类 30713.7 阅读材料 311习题   313参考文献   314休息一会儿   317第14章 概率图模型 31914.1 隐马尔可夫模型 31914.2 马尔可夫随机场 32214.3 条件随机场 32514.4 学习与推断 32814.4.1 变量消去 32814.4.2 信念传播 33014.5 近似推断 33114.5.1 MCMC采样 33114.5.2 变分推断 33414.6 话题模型 33714.7 阅读材料 339习题   341参考文献   342休息一会儿   345第15章 规则学习 34715.1 基本概念 34715.2 序贯覆盖 34915.3 剪枝优化 35215.4 一阶规则学习 35415.5 归纳逻辑程序设计 35715.5.1 最小一般泛化 35815.5.2 逆归结 35915.6 阅读材料 363习题   365参考文献   366休息一会儿   369第16章  强化学习 37116.1 任务与奖赏 37116.2 $K$-摇臂赌博机 37316.2.1 探索与利用 37316.2.2 $\epsilon $-贪心 37416.2.3 Softmax 37516.3 有模型学习 37716.3.1 策略评估 37716.3.2 策略改进 37916.3.3 策略迭代与值迭代 38116.4 免模型学习 38216.4.1 蒙特卡罗强化学习 38316.4.2 时序差分学习 38616.5 值函数近似 38816.6 模仿学习 39016.6.1 直接模仿学习 39116.6.2 逆强化学习 39116.7 阅读材料 393习题   394参考文献   395休息一会儿   397附录 399A 矩阵 399B 优化 403C 概率分布 409后记 417索引 419
查看详情
12
好书推荐 / 更多
机器学习
20世纪思想史:从弗洛伊德到互联网
[英]彼得·沃森 著;杨阳 译;张凤
机器学习
想象一朵未来的玫瑰
[葡]费尔南多·佩索阿 著;杨铁军 译
机器学习
语言与死亡/当代激进思想家译丛
[意]吉奥乔·阿甘本 著
机器学习
爸爸妈妈,请做我的摄影师:十万父母拍娃智慧分享儿童摄影
枫糖盒子 著
机器学习
陈规再造:巫鸿美术史文集卷三
[美]巫鸿 著;郑岩 编
机器学习
另一个世界:中国记忆1961-1962
[瑞典]林西莉 著;李之义 译
机器学习
生活,在别处:海明威影像集
鲍里斯·维多夫斯基 著;吴天楚 译;[美国]玛瑞儿·海明威;高方;王天宇
机器学习
大西洋的故事
[英]西蒙·温彻斯特(Simon Winchester) 著
机器学习
图说勃鲁盖尔
[日]冈部纮三 著;曹逸冰 译
机器学习
巴别塔(我要世界都听见我的声音,我曾被压抑,但绝不沉默。)(读客外国小说文库)
[英]A.S.拜厄特 著;王一鸣 译
机器学习
四十二年,我的"恶邻"李敖大师
林恒范 著;[中国台湾]林丽蘋 口述
机器学习
灭绝与演化:化石中的生命全史
[美]尼尔斯·艾崔奇 著;周亚纯 译;董丽萍