機器學習——原理、算法與套用

內容簡介

機器學習是當前解決很多人工智慧問題的核心技術，自2012年以來，深度學習的出現帶來了人工智慧復興。本書是機器學習和深度學習領域的入門與提高教材，緊密結合工程實踐與套用，系統、深入地講述機器學習與深度學習的主流方法與理論。全書由23章組成，共分為三大部分。第1～3章為第一部分，介紹機器學習的基本原理、所需的數學知識（包括微積分、線性代數、最最佳化方法和機率論），以及機器學習中的核心概念。第4～22章為第二部分，是本書的主體，介紹各種常用的有監督學習算法、無監督學習算法、半監督學習算法和強化學習算法。對於每種算法，從原理與推導、工程實現和套用3個方面進行介紹，對於大多數算法，都配有實驗程式。第23章為第三部分，介紹機器學習和深度學習算法實際套用時面臨的問題，並給出典型的解決方案。

本書理論推導與證明詳細、深入，結構清晰，詳細地講述主要算法的原理與細節，讓讀者不僅知其然，還知其所以然，真正理解算法、學會使用算法。對於計算機、人工智慧及相關專業的本科生和研究生，這是一本適合入門與系統學習的教材；對於從事人工智慧和機器學習產品研發的工程技術人員，本書也具有很強的參考價值。

圖書目錄

第一部分基本概念與數學知識

第1章機器學習簡介3

1.1機器學習是什麼3

1.1.1一個簡單的例子3

1.1.2為什麼需要機器學習5

1.2典型套用7

1.2.1語音識別7

1.2.2人臉檢測8

1.2.3人機對弈9

1.2.4機器翻譯10

1.2.5自動駕駛11

1.3發展歷程11

1.3.1歷史成就11

1.3.2當前進展12

1.4關於本書13

參考文獻13

第2章數學知識15

2.1微積分和線性代數15

2.1.1導數15

2.1.2向量與矩陣17

2.1.3偏導數與梯度19

2.1.4雅可比矩陣20

2.1.5Hessian矩陣21

2.1.6泰勒展開22

2.1.7行列式22

2.1.8特徵值與特徵向量23

2.1.9奇異值分解24

2.1.10二次型24

2.1.11向量與矩陣求導24

2.2最最佳化方法25〖1〗〖2〗機器學習——原理、算法與套用〖1〗2.2.1梯度下降法25

2.2.2牛頓法26

2.2.3坐標下降法27

2.2.4拉格朗日乘數法28

2.2.5凸最佳化28

2.2.6拉格朗日對偶32

2.2.7KKT條件34

2.2.8擬牛頓法35

2.2.9面臨的問題36

2.3機率論37

2.3.1隨機事件與機率37

2.3.2條件機率37

2.3.3隨機變數38

2.3.4數學期望與方差39

2.3.5隨機向量39

2.3.6最大似然估計40

機器學習——原理、算法與套用

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條