人工智慧：機器學習理論與方法

《人工智慧：機器學習理論與方法》是2020年電子工業出版社出版的圖書，作者是李侃。

基本介紹

• 書名：人工智慧：機器學習理論與方法
• 作者：李侃
• 出版社：電子工業出版社
• 出版時間：2020年8月
• 頁數：328 頁
• ISBN：9787121391408

內容簡介

本書全面系統地講解了機器學習的理論與方法，內容主要包括高斯混合模型和EM算法、主題模型、非參數貝葉斯模型、聚類分析、圖模型、支持向量機、矩陣分解、深度學習及強化學習。本書旨在使讀者了解機器學習的發展，理解和掌握它的基本原理、方法與主要套用。本書內容豐富，著重機器學習理論的推導與證明，並通過實例進行方法的分析與比較。同時，本書強調機器學習的系統性、完整性和時效性，可讀性強。

圖書目錄

第1章緒論

1.1機器學習的定義

1.2機器學習的發展歷史

1.3機器學習的分類

1.3.1基於學習系統的反饋分類

1.3.2基於所獲取知識的表示形式分類

1.3.3按套用領域分類

1.3.4綜合分類

1.4性能度量

1.4.1數據集

1.4.2誤差

1.4.3過擬合與欠擬合

1.4.4評估方法

1.4.5性能度量指標

1.5本章小結

第2章EM算法和高斯模型

2.1EM算法

2.1.1極大似然估計

2.1.2EM算法的引入

2.1.3EM算法的推導

2.1.4EM算法的步驟

2.1.5EM算法的收斂性

2.2高斯模型

2.2.1單高斯模型

2.2.2高斯混合模型

2.2.3GMM參數估計

2.3本章小結

第3章主題模型

3.1傳統的主題模型

3.1.1VSM模型

3.1.2LSI模型

3.2機率主題模型

3.2.1LDA主題模型

3.2.2HDP-LDA主題模型

3.3具有zipf定律性質的主題模型

3.3.1PY過程

3.3.2PHTM主題模型

3.4PHTM推理算法

3.4.1算法描述

3.4.2實驗

3.5本章小結

第4章抽樣與非參數貝葉斯方法

4.1單個隨機變數抽樣

4.1.1通過逆累積分布函式抽樣

4.1.2拒絕抽樣（Rejection Sampling）

4.1.3重要性抽樣（Importance Sampling）

4.2序列隨機變數抽樣與馬爾可夫鏈蒙特卡洛

4.2.1MH算法

4.2.2吉布斯抽樣

4.2.3切片抽樣（Slice Sampling）

4.3非參數貝葉斯模型與狄利克雷過程

4.3.1非參數貝葉斯模型

4.3.2狄利克雷過程

4.4狄利克雷過程的構造方式

4.4.1波利亞罈子過程

4.4.2折棍子過程

4.4.3中餐館過程

4.5本章小結

第5章聚類分析

5.1數據相似性度量

5.2經典聚類算法

5.2.1劃分算法

5.2.2層次聚類算法

5.2.3基於密度的聚類算法

5.2.4基於格線的聚類算法

5.2.5基於模型的聚類算法

5.3K均值算法、K中心點算法及其改進算法

5.3.1K均值算法

5.3.2K中心點算法

5.3.3核K均值算法

5.3.4EM聚類

5.3.5基於隨機搜尋套用於大型套用的聚類算法CLARANS

5.4譜聚類

5.4.1相似圖

5.4.2拉普拉斯矩陣

5.4.3譜聚類算法

5.5基於約束的聚類

5.5.1含有障礙物的對象聚類

5.5.2用戶約束的聚類分析

5.5.3半監督聚類分析

5.6線上聚類

5.7聚類與降維

5.8本章小結

第6章支持向量機

6.1統計學習理論

6.1.1經驗風險最小化

6.1.2VC維

6.1.3結構風險最小化

6.2支持向量機的基本原理

6.3支持向量機分類器

6.3.1線性支持向量機分類器

6.3.2非線性可分的支持向量機分類器

6.3.3一類分類

6.3.4多類分類

6.4核函式

6.4.1核函式的定義

6.4.2核函式的構造

6.4.3幾種常用的核函式

6.5支持向量回歸機

6.6支持向量機的套用實例

6.6.1圖像分類

6.6.2其他套用

6.7本章小結

第7章機率無向圖模型

7.1機率無向圖模型概述

7.2邏輯斯諦回歸模型

7.2.1邏輯斯諦函式與分布

7.2.2極大似然估計模型參數

7.3最大熵模型

7.3.1最大熵原理

7.3.2最大熵模型概述

7.4條件隨機場

7.4.1模型

7.4.2條件隨機場的關鍵問題

7.5本章小結

第8章機率有向圖模型

8.1機率有向圖模型概述

8.2貝葉斯網路

8.2.1貝葉斯定理

8.2.2有向分離

8.2.3貝葉斯網路構造

8.2.4貝葉斯網路學習

8.3隱馬爾可夫模型

8.3.1隱馬爾可夫模型描述

8.3.2隱馬爾可夫模型的三個基本問題

8.4本章小結

第9章矩陣與張量分解

9.1等值與低軼矩陣分解

9.2非負矩陣分解

9.3矩陣分解與推薦系統

9.4張量分解

9.5非負張量分解

9.6本章小結

第10章多層感知機

10.1感知機

10.2多層感知機概述

10.2.1誤差反傳算法

10.2.2多層感知機的優勢和局限性

10.2.3BP算法的改進

10.3本章小結

第11章卷積神經網路

11.1卷積神經網路的生物學基礎

11.2卷積神經網路的結構元件

11.2.1卷積層

11.2.2池化層

11.2.3激活層

11.2.4全連線層

11.3典型的卷積神經網路

11.3.1AlexNet

11.3.2VGG

11.3.3GoogLeNet

11.3.4ResNet

11.3.5DenseNet

11.4卷積神經網路的訓練技巧

11.4.1批歸一化

11.4.2隨機失活

11.5本章小結

第12章循環神經網路

12.1循環神經網路結構

12.2循環神經網路的訓練

12.2.1損失函式

12.2.2時間反向傳播算法

12.2.3梯度消失與梯度爆炸

12.3雙向循環神經網路與深度循環神經網路

12.4長短期記憶網路

12.4.1LSTM記憶單元

12.4.2LSTM 記憶方式

12.5門控循環單元

12.6本章小結

第13章強化學習

13.1強化學習模型及基本要素

13.1.1強化學習模型

13.1.2強化學習基本要素

13.2馬爾可夫決策過程

13.2.1馬爾可夫過程

13.2.2馬爾可夫決策過程概述

13.3部分可觀測的馬爾可夫決策過程

13.4模型已知的強化學習

13.4.1線性規劃

13.4.2策略疊代

13.4.3值疊代

13.4.4廣義策略疊代

13.5模型未知的強化學習

13.5.1蒙特卡洛方法

13.5.2時間差分法

13.5.3Q學習與SARSA學習

13.5.4Actor-Critic學習

13.6基於逼近方法的強化學習

13.6.1值函式逼近的TD學習

13.6.2近似值疊代方法

13.6.3近似策略疊代

13.7深度強化學習

13.7.1深度Q學習（Deep Q-learning）

13.7.2深度雙Q學習

13.7.3異步深度Q學習

13.7.4其他深度強化學習

13.8本章小結

參考文獻