首页 > 机器学习【首届京东文学奖-年度新锐入围作品】

机器学习【首届京东文学奖-年度新锐入围作品】

¥ 61.6
请选择商品信息 ×
京东自营配送 99元免基础运费
库存1000件
数量不能超过商品库存数
  • 服务承诺:
  • 京东优选
  • 正品保证
  • 极速发货
  • 99元免基础运费
支付方式
  • 支付宝支付
  • 微信支付
  • 网银支付
  • 财付通支付
  • 出版社:清华大学出版社
  • ISBN:9787302423287
  • 作者:周志华
  • 包装:平装
  • 出版时间:2016-01-01
  • 印次:1
  • 印刷时间:2016-01-01
  • 中国法分类号:TP181
  • 用纸:纯质纸
  • 条形码:9787302423287
  • 主题词:机器学习


产品特色

编辑推荐

内容全面;结构合理;叙述清楚;深入浅出。人工智能领域中文的开山之作!


相关图书推荐:

机器智能  人工智能领域的创新之作,三大主流方法的和谐统一!当今各种人工智能学说的集成创新。

人工智能:一种现代的方法(第3版 影印版)  A Must Read for AI

人工智能:一种现代的方法(第3版)(翻译版)  A Must Read for AI

机器崛起前传——自我意识与人类智慧的开端


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。


目录

目录


第1章 1

1.1 引言  1

1.2 基本术 2

1.3 假设空间 4

1.4 归纳偏好  6

1.5 发展历程 10

1.6 应用现状 13

1.7 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  23 

2.1 经验误差与过拟合  23 

2.2 评估方法  24 

2.2.1 留出法  25 

2.2.2 交叉验证法  26 

2.2.3 自助法  27 

2.2.4 调参与最终模型  28 

2.3 性能度量  28 

2.3.1 错误率与精度  29 

2.3.2 查准率、查全率与F1  30 

2.3.3 ROC与AUC  33 

2.3.4 代价敏感错误率与代价曲线  35 

2.4 比较检验  37 

2.4.1 假设检验  37 

2.4.2 交叉验证t检验  40 

2.4.3 McNemar检验  41 

2.4.4 Friedman检验与后续检验  42 

2.5 偏差与方差  44 

2.6 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  53 

3.1 基本形式  53 

3.2 线性回归  53 

3.3 对数几率回归  57 

3.4 线性判别分析  60 

3.5 多分类学习  63 

3.6 类别不平衡问题  66 

3.7 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  73 

4.1 基本流程  73 

4.2 划分选择  75 

4.2.1 信息增益  75 

4.2.2 增益率  77 

4.2.3 基尼指数  79 

4.3 剪枝处理  79 

4.3.1 预剪枝  80 

4.3.2 后剪枝  82 

4.4 连续与缺失值  83 

4.4.1 连续值处理  83 

4.4.2 缺失值处理  85 

4.5 多变量决策树  88 

4.6 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  97 

5.1 神经元模型  97 

5.2 感知机与多层网络  98 

5.3 误差逆传播算法  101 

5.4 全局最小与局部极小  106 

5.5 其他常见神经网络  108 

5.5.1 RBF网络  108 

5.5.2 ART网络  108 

5.5.3 SOM网络  109 

5.5.4 级联相关网络  110 

5.5.5 Elman网络  111 

5.5.6 Boltzmann机  111 

5.6 深度学习  113 

5.7 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  121 

6.1 间隔与支持向量  121 

6.2 对偶问题  123 

6.3 核函数  126 

6.4 软间隔与正则化  129 

6.5 支持向量回归  133 

6.6 核方法  137 

6.7 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  147 

7.1 贝叶斯决策论  147 

7.2 极大似然估计  149 

7.3 朴素贝叶斯分类器  150 

7.4 半朴素贝叶斯分类器  154 

7.5 贝叶斯网  156 

7.5.1 结构  157 

7.5.2 学习  159 

7.5.3 推断  161 

7.6 EM算法  162 

7.7 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  171 

8.1 个体与集成  171 

8.2 Boosting  173 

8.3 Bagging与随机森林  178 

8.3.1 Bagging  178 

8.3.2 随机森林  179 

8.4 结合策略  181 

8.4.1 平均法  181 

8.4.2 投票法  182 

8.4.3 学习法  183 

8.5 多样性  185 

8.5.1 误差--分歧分解  185 

8.5.2 多样性度量  186 

8.5.3 多样性增强  188 

8.6 阅读材料  190 

习题     192 

参考文献     193 

休息一会儿     196 




第9章    聚类  197 

9.1 聚类任务  197 

9.2 性能度量  197 

9.3 距离计算  199 

9.4 原型聚类  202 

9.4.1 k均值算法  202 

9.4.2 学习向量量化  204 

9.4.3 高斯混合聚类  206 

9.5 密度聚类  211 

9.6 层次聚类  214 

9.7 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  225 

10.1 k近邻学习  225 

10.2 低维嵌入  226 

10.3 主成分分析  229 

10.4 核化线性降维  232 

10.5 流形学习  234 

10.5.1 等度量映射  234 

10.5.2 局部线性嵌入  235 

10.6 度量学习  237 

10.7 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  247 

11.1 子集搜索与评价  247 

11.2 过滤式选择  249 

11.3 包裹式选择  250 

11.4 嵌入式选择与L$_1$正则化  252 

11.5 稀疏表示与字典学习  254 

11.6 压缩感知  257 

11.7 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  267 

12.1 基础知识  267 

12.2 PAC学习  268 

12.3 有限假设空间  270 

12.3.1 可分情形  270 

12.3.2 不可分情形  272 

12.4 VC维  273 

12.5 Rademacher复杂度  279 

12.6 稳定性  284 

12.7 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  293 

13.1 未标记样本  293 

13.2 生成式方法  295 

13.3 半监督SVM  298 

13.4 图半监督学习  300 

13.5 基于分歧的方法  304 

13.6 半监督聚类  307 

13.7 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  319 

14.1 隐马尔可夫模型  319 

14.2 马尔可夫随机场  322 

14.3 条件随机场  325 

14.4 学习与推断  328 

14.4.1 变量消去  328 

14.4.2 信念传播  330 

14.5 近似推断  331 

14.5.1 MCMC采样  331 

14.5.2 变分推断  334 

14.6 话题模型  337 

14.7 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  347 

15.1 基本概念  347 

15.2 序贯覆盖  349 

15.3 剪枝优化  352 

15.4 一阶规则学习  354 

15.5 归纳逻辑程序设计  357 

15.5.1 最小一般泛化  358 

15.5.2 逆归结  359 

15.6 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  371 

16.1 任务与奖赏  371 

16.2 $K$-摇臂赌博机  373 

16.2.1 探索与利用  373 

16.2.2 $\epsilon $-贪心  374 

16.2.3 Softmax  375 

16.3 有模型学习  377 

16.3.1 策略评估  377 

16.3.2 策略改进  379 

16.3.3 策略迭代与值迭代  381 

16.4 免模型学习  382 

16.4.1 蒙特卡罗强化学习  383 

16.4.2 时序差分学习  386 

16.5 值函数近似  388 

16.6 模仿学习  390 

16.6.1 直接模仿学习  391 

16.6.2 逆强化学习  391 

16.7 阅读材料  393 

习题     394 

参考文献     395 

休息一会儿     397 



附录  399 

A 矩阵  399 

B 优化  403 

C 概率分布  409 


后记  417 


索引  419 


前言/序言

这是一本面向中文读者的机器学习教科书,为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。
全书共16章,大体上可分为3个部分:第1部分包括第1~3章,介绍机器学习基础知识;第2部分包括第4~10章,介绍一些经典而常用的机器学习方法;第3部分包括第11~16章,介绍一些进阶知识。前3章之外的后续各章均相对独立,读者可根据自己的兴趣和时间情况选择使用。根据课时情况,一个学期的本科生课程可考虑讲授前9章或前10章;研究生课程则不妨使用全书。
书中除第1章外,每章都给出了十道习题。有的习题是帮助读者巩固本章学习,有的是为了引导读者扩展相关知识。一学期的一般课程可使用这些习题,再辅以两到三个针对具体数据集的大作业。带星号的习题则有相当难度,有些并无现成答案,谨供富有进取心的读者启发思考。
本书在内容上尽可能涵盖机器学习基础知识的各方面,但作为机器学习入门读物且因授课时间的考虑,很多重要、前沿的材料未能覆盖,即便覆盖到的部分也仅是管中窥豹,更多的内容留待读者在进阶课程中学习。为便于有兴趣的读者进一步钻研探索,本书每章均介绍了一些阅读材料,谨供读者参考。
笔者以为,对学科相关的重要人物和事件有一定了解,将会增进读者对该学科的认识。本书在每章最后都写了一个与该章内容相关的小故事,希望有助于读者增广见闻,并且在紧张的学习过程中稍微放松调剂一下。
书中不可避免地涉及大量外国人名,若全部译为中文,则读者在日后进一步阅读文献时或许会对不少人名产生陌生感,不利于进一步学习。
因此,本书仅对一般读者耳熟能详的名字如“图灵”等加以直接使用,对故事中的一些主要人物给出了译名,其他则保持外文名。
机器学习发展极迅速,目前已成为一个广袤的学科,罕有人士能对其众多分支领域均有精深理解。笔者自认才疏学浅,仅略知皮毛,更兼时间和精力所限,书中错谬之处在所难免,若蒙读者诸君不吝告知,将不胜感激。

本商品由京东优选负责发货
工商执照