機器學習：從公理到算法（第2版）
於劍，景麗萍
- 出版商: 清華大學
- 出版日期: 2025-02-01
- 售價: $528
- 語言: 簡體中文
- ISBN: 7302682569
- ISBN-13: 9787302682561
-
相關分類:
Machine Learning
下單後立即進貨 (約4週~6週)
相關主題
商品描述
目錄大綱
目 錄
第 1 章 引言 1
1.1 機器學習的目的：從數據到知識 1
1.2 機器學習的基本框架 2
1.2.1 數據集合與對象特性表示 3
1.2.2 學習判據 4
1.2.3 學習算法 5
1.2.4 評估方法 5
1.3 機器學習思想簡論 5
延伸閱讀 7
習題 8
參考文獻 9
第 2 章 歸類理論 11
2.1 類表示與類表示公理 13
2.2 歸類公理 17
2.3 歸類結果分類 20
2.4 歸類方法設計準則 22
2.4.1 類一致性準則 23
2.4.2 類緊致性準則 24
2.4.3 類分離性準則 25
2.4.4 奧卡姆剃刀準則 26
討論 28
延伸閱讀 29
習題 30
參考文獻 32
第 3 章 密度估計 33
3.1 密度估計的參數方法 33
3.1.1 最大似然估計 33
3.1.2 貝葉斯估計 35
3.2 密度估計的非參數方法 39
3.2.1 直方圖 39
3.2.2 核密度估計 39
3.2.3 K 近鄰密度估計法 40
延伸閱讀 40
習題 41
參考文獻 41
第 4 章 回歸 43
4.1 線性回歸 43
4.2 嶺回歸 47
4.3 Lasso 回歸 48
討論 51
習題 52
參考文獻 52
第 5 章 單類數據降維 55
5.1 主成分分析 56
5.2 非負矩陣分解 58
5.3 字典學習與稀疏表示 59
5.4 局部線性嵌入 61
5.5 多維度尺度分析與等距映射 64
5.6 典型關聯分析 66
5.7 隨機鄰域嵌入及其擴展 68
5.7.1 隨機鄰域嵌入 68
5.7.2 t-SNE 70
討論 71
習題 71
參考文獻 72
第 6 章 聚類理論 73
6.1 聚類問題表示及相關定義 73
6.2 聚類算法設計準則 74
6.2.1 類緊致性準則和聚類不等式 74
6.2.2 類分離性準則和重合類非穩定假設 76
6.2.3 類一致性準則和迭代型聚類算法 77
6.3 聚類有效性 77
6.3.1 外部方法 77
6.3.2 內蘊方法 79
延伸閱讀 80
習題 81
參考文獻 81
第 7 章 聚類算法 85
7.1 樣例理論：圖聚類算法 85
7.1.1 層次聚類算法 86
7.1.2 HB 聚類算法 88
7.1.3 SATB 聚類算法 90
7.2 原型理論：點原型聚類算法 92
7.2.1 C 均值算法 93
7.2.2 模糊 C 均值 95
7.2.3 最大熵 C 均值算法 97
7.3 基於密度估計的聚類算法 99
7.3.1 基於參數密度估計的聚類算法 99
7.3.2 基於無參數密度估計的聚類算法 107
延伸閱讀 117
習題 118
參考文獻 118
第 8 章 分類理論 121
8.1 分類及相關定義 121
8.2 從歸類理論到經典分類理論 122
8.2.1 PAC 理論 123
8.2.2 統計學習理論 125
8.3 分類測試公理 128
8.4 分類性能評估 129
討論 130
習題 131
參考文獻 131
第 9 章 基於單類的分類算法：神經網絡 133
9.1 分類問題的回歸表示 133
9.2 人工神經網絡 134
9.2.1 人工神經網絡簡介 134
9.2.2 前饋神經網絡 136
9.3 從參數密度估計到受限玻耳茲曼機 141
9.4 深度學習 143
9.4.1 自編碼器 144
9.4.2 捲積神經網絡 145
9.4.3 Transformer 147
討論 149
習題 150
參考文獻 151
第 10 章 K 近鄰分類模型 155
10.1 K 近鄰算法 156
10.1.1 K 近鄰算法問題表示 156
10.1.2 K 近鄰分類算法 157
10.1.3 K 近鄰分類算法的理論錯誤率 158
10.2 距離加權最近鄰算法 159
10.3 K 近鄰算法加速策略 160
10.4 kd 樹 161
10.5 K 近鄰算法中的參數問題 162
延伸閱讀 163
習題 164
參考文獻 164
第 11 章 線性分類模型 165
11.1 判別函數和判別模型 165
11.2 線性判別函數 166
11.3 線性感知機算法 169
11.3.1 感知機數據表示 169
11.3.2 感知機算法的歸類判據 170
11.3.3 感知機分類算法 171
11.4 支持向量機 174
11.4.1 線性可分支持向量機 174
11.4.2 近似線性可分支持向量機 177
11.4.3 多類分類問題 180
討論 182
習題 183
參考文獻 184
第 12 章 對數線性分類模型 185
12.1 Softmax 回歸 185
12.2 Logistic 回歸 188
討論 190
習題 191
參考文獻 191
第 13 章 貝葉斯決策 193
13.1 貝葉斯分類器 193
13.2 樸素貝葉斯分類 194
13.2.1 最大似然估計 196
13.2.2 貝葉斯估計 199
13.3 最小化風險分類 201
13.4 效用最大化分類 203
討論 203
習題 204
參考文獻 204
第 14 章 決策樹 205
14.1 決策樹的類表示 205
14.2 信息增益與 ID3 算法 210
14.3 增益比率與 C4.5 算法 212
14.4 Gini 指數與 CART 算法 213
14.5 決策樹的剪枝 214
討論 215
習題 215
參考文獻 216
第 15 章 多類數據降維 217
15.1 有監督特徵選擇模型 217
15.1.1 過濾式特徵選擇 218
15.1.2 包裹式特徵選擇 219
15.1.3 嵌入式特徵選擇 219
15.2 有監督特徵提取模型 220
15.2.1 線性判別分析 220
15.2.2 二分類線性判別分析問題 220
15.2.3 二分類線性判別分析 221
15.2.4 二分類線性判別分析優化算法 223
15.2.5 多分類線性判別分析 223
延伸閱讀 225
習題 225
參考文獻 225
第 16 章 多類數據升維：核方法 227
16.1 核方法 227
16.2 非線性支持向量機 228
16.2.1 特徵空間 228
16.2.2 核函數 228
16.2.3 常用核函數 230
16.2.4 非線性支持向量機 230
16.3 多核方法 231
討論 233
習題 233
參考文獻 234
第 17 章 多源數據學習 235
17.1 多源數據學習的分類 235
17.2 單類多源數據學習 235
17.2.1 完整視角下的單類多源數據學習 236
17.2.2 不完整視角下的單類多源數據學習 238
17.3 多類多源數據學習 239
17.4 多源數據學習中的基本假設 240
討論 240
習題 241
參考文獻 241
後記 243
寫在《機器學習：從公理到算法》第 4 次印刷之後 247
寫在《機器學習：從公理到算法》第 5 次印刷之後 249
索引 251
