機器學習 机器学习

周志華

  • 出版商: 清華大學
  • 出版日期: 2016-01-01
  • 售價: $648
  • 貴賓價: 9.5$616
  • 語言: 簡體中文
  • 頁數: 425
  • 裝訂: 平裝
  • ISBN: 7302423288
  • ISBN-13: 9787302423287
  • 相關分類: Machine Learning
  • 相關翻譯: Machine Learning (英版)
  • 銷售排行: 👍 2016 年度 簡體中文書 銷售排行 第 7 名
    🥈 2016/6 簡體中文書 銷售排行 第 2 名

    立即出貨 (庫存 < 4)

買這商品的人也買了...

商品描述

《機器學習》是計算機科學與人工智能的重要分支領域。

《機器學習》作為該領域的入門教材,在內容上盡可能涵蓋機器學習基礎知識的各方面。

全書共16章,大致分為3個部分:第1部分(第1~3章)介紹機器學習的基礎知識;第2部分(第4~10章)討論一些經典而常用的機器學習方法(決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習);第3部分(第11~16章)為進階知識,內容涉及特徵選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等。

每章都附有習題並介紹了相關閱讀材料,以便有興趣的讀者進一步鑽研探索。

《機器學習》可作為高等院校計算機、自動化及相關專業的本科生或研究生教材,也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。

作者簡介

作者:周志華

周志華,南京大學計算機系教授,ACM傑出科學家,IEEE Fellow, IAPR Fellow, IET/IEE Fellow,中國計算機學會會士。國家傑出青年科學基金獲得者、長江學者特聘教授。先後擔任多種SCI(E)期刊執行主編、副主編、副編輯、編委等。中國計算機學會人工智能與模式識別專業委員會主任,中國人工智能學會機器學習專業委員會主任,IEEE計算智能學會數據挖掘技術委員會副主席。

目錄大綱

目錄

第1章1 
1.1引言1 
1.2基本術2 
1.3假設空間4 
1.4歸納偏好6 
1.5發展歷程10 
1.6應用現狀13 
1.7閱讀材料16 
習題19 
參考文獻20 
休息一會兒22 


第2章模型評估與選擇23 
2.1經驗誤差與過擬合23 
2.2評估方法24 
2.2.1留出法25 
2.2.2交叉驗證法26 
2.2.3自助法27 
2.2.4調參與最終模型28 
2.3性能度量28 
2.3.1錯誤率與精度29 
2.3.2查准率、查全率與F1 30 
2.3.3 ROC與AUC 33 
2.3.4代價敏感錯誤率與代價曲線35 
2.4比較檢驗37 
2.4.1假設檢驗37 
2.4.2交叉驗證t檢驗40 
2.4 .3 McNemar檢驗41 
2.4.4 Friedman檢驗與後續檢驗42 
2.5偏差與方差44 
2.6閱讀材料46 
習題48 
參考文獻49 
休息一會兒51 


第3章線性模型53 
3.1基本形式53 
3.2線性回歸53 
3.3對數機率回歸57 
3.4線性判別分析60 
3.5多分類學習63 
3.6類別不平衡問題66 
3.7閱讀材料67 
習題69 
參考文獻70 
休息一會兒72 


第4章決策樹73 
4.1基本流程73 
4.2劃分選擇75 
4.2.1信息增益75 
4.2 .2 益率77 
4.2.3基尼指數79 
4.3剪枝處理79 
4.3.1預剪枝80 
4.3.2後剪枝82 
4.4連續與缺失值83 
4.4.1連續值處理83 
4.4.2缺失值處理85 
4.5多變量決策樹88 
4.6閱讀材料92 
習題93 
參考文獻94 
休息一會兒95 


第5章神經網絡97 
5.1神經元模型97 
5.2感知機與多層網絡98 
5.3誤差逆傳播算法101 
5.4全局最小與局部極小106 
5.5其他常見神經網絡108 
5.5.1 RBF網絡108 
5.5.2 ART網絡108 
5.5.3 SOM網絡109 
5.5.4級聯相關網絡110 
5.5.5 Elman網絡111 
5.5.6 Boltzmann機111 
5.6深度學習113 
5.7閱讀材料115 
習題116 
參考文獻117 
休息一會兒120 


第6章支持向量機121 
6.1間隔與支持向量121 
6.2對偶問題123 
6.3核函數126 
6.4軟間隔與正則化129 
6.5支持向量回歸133 
6.6核方法137 
6.7閱讀材料139 
習題141 
參考文獻142 
休息一會兒145 


第7章貝葉斯分類器147 
7.1貝葉斯決策論147 
7.2極大似然估計149 
7.3樸素貝葉斯分類器150 
7.4半樸素貝葉斯分類器154 
7.5 葉斯網156 
7.5.1結構157 
7.5.2學習159 
7.5.3推斷161 
7.6 EM算法162 
7.7閱讀材料164 
習題166 
參考文獻167 
休息一會兒169 


第8章集成學習171 
8.1個體與集成171 
8.2 Boosting 173 
8.3 Bagging與隨機森林178 
8.3.1 Bagging 178 
8.3.2隨機森林179 
8.4結合策略181 
8.4.1平均法181 
8.4.2投票法182 
8.4.3學習法183 
8.5多樣性185 
8.5.1誤差--分歧分解185 
8.5.2多樣性度量186 
8.5.3多樣性增強188 
8.6閱讀材料190 
習題192 
參考文獻193 
休息一會兒196 

第9章聚類197 
9.1聚類任務197 
9.2性能度量197 
9.3距離計算199 
9.4原型聚類202 
9.4.1 k均值算法202 
9.4.2學習向量量化204 
9.4.3高斯混合聚類206 
9.5密度聚類211 
9.6層次聚類214 
9.7閱讀材料217 
習題220 
參考文獻221 
休息一會兒224 


第10章降維與度量學習225 
10.1 k近鄰學習225 
10.2低維嵌入226 
10.3主成分分析229 
10.4核化線性降維232 
10.5流形學習234 
10.5.1等度量映射234 
10.5.2局部線性嵌入235 
10.6度量 習237 
10.7閱讀材料240 
習題242 
參考文獻243 
休息一會兒246 


第11章特徵選擇與稀疏學習247 
11.1子集搜索與評價247 
11.2過濾式選擇249 
11.3包裹式選擇250 
11.4嵌入式選擇與L$_1$正則化252 
11.5稀疏表示與字典學習254 
11.6壓縮感知257 
11.7閱讀材料260 
習題262 
參考文獻263 
休息一會兒266 

第12章計算學習理論267 
12.1基礎知識267 
12.2 PAC學習268 
12.3有限假設空間270 
12.3.1可分情形270 
12.3.2不可分情形272 
12.4 VC維273 
12.5 Rademacher複雜度279 
12.6穩定性284 
12.7閱讀材料287 
習題289 
參考文獻290 
休息一會兒292 


第13章半監督學習293 
13.1未標記樣本293 
13.2生成式方法295 
13.3半監督SVM 298 
13.4圖半監督學習300 
13.5基於分歧的方法304 
13.6半監督聚類307 
13.7閱讀材料311 
習題313 
參考文獻314 
休息一會兒317 

第14章概率圖模型319 
14.1隱馬爾可夫模型319 
14.2馬爾可夫隨機場322 
14.3條件隨機場325 
14.4學習與推斷328 
14.4.1變 消去328 
14.4.2信念傳播330 
14.5近似推斷331 
14.5.1 MCMC採樣331 
14.5.2變分推斷334 
14.6話題模型337 
14.7閱讀材料339 
習題341 
參考文獻342 
休息一會兒345 


第15章規則學習347 
15.1基本概念347 
15.2序貫覆蓋349 
15.3剪枝優化352 
15.4一階規則學習354 
15.5歸納邏輯程序設計357 
15.5.1最小一般泛化358 
15.5.2逆歸結359 
15.6閱讀材料363 
習題365 
參考文獻366 
休息一會兒369 

第16章強化學習371 
16.1任務與獎賞371 
16.2 $K$-搖臂賭博機373 
16.2.1探索與利用373 
16.2.2 $\epsilon $-貪心374 
16.2.3 Softmax 375 
16.3有模型學習377 
16.3.1策略評估377 
16.3.2策略改進379 
16.3.3策略迭代與值迭代381 
16.4免模型學習382 
16.4.1蒙特卡羅強化學習383 
16.4.2時序差分學習386 
16.5值函數近似388 
16.6模仿學習390 
16.6. 1直接模仿學習391 
16.6.2逆強化學習391 
16.7閱讀材料393 
習題394 
參考文獻395 
休息一會兒397 


附錄399 
A矩陣399 
B優化403 
C概率分佈409 

後 記417 

索引419