機器學習教程(微課視頻版)

《機器學習教程(微課視頻版)》是2023年清華大學出版社出版的圖書,作者是張旭東。

基本介紹

  • 中文名:機器學習教程(微課視頻版)
  • 作者:張旭東
  • 出版社:清華大學出版社
  • 出版時間:2023年2月1日
  • 定價:59 元
  • ISBN:9787302607434
內容簡介,圖書目錄,

內容簡介

本書兼顧機器學習基礎、經典方法和深度學習方法,對組成機器學習的基礎知識和基本算法進行了比較細緻的介紹,對廣泛套用的經典算法如線性回歸、邏輯回歸、樸素貝葉斯、支持向量機、決策樹和集成學習等算法都給出了深入的分析並討論了無監督學習的基本方法,對深度學習和強化學習進行了全面的敘述,比較深入地討論了反向傳播算法、多層感知機、CNN、RNN 和 LSTM 等深度神經網路的核心知識和結構;對於強化學習,不僅介紹了經典表格方法,還討論了深度強化學習。本書是面向大學理工科和管理類各專業的寬口徑、綜合性機器學習的教材,可供本科生和一年級研究生課程使用,也可供科技人員、工程師和程式設計師自學機器學習的原理和算法使用。本書對基礎和前沿、經典方法和熱門技術進行了儘可能的平衡,使得讀者不僅能在機器學習領域打下一個良好的基礎,同時也可以利用所學知識解決遇到的實際問題並為進入學科前沿打好基礎。

圖書目錄

第一部分基礎知識和基本方法
第1章機器學習概述
微課視頻 185分鐘
1.1什麼是機器學習
1.2機器學習的類型
1.2.1基本分類
1.2.2監督學習及其功能分類
1.3構建機器學習系統的基本問題
1.3.1機器學習的基本元素
1.3.2機器學習的一些基本概念
1.4從簡單示例理解機器學習
1.4.1一個簡單的回歸示例
1.4.2一個簡單的分類示例
1.5深度學習簡介
1.6本章小結
習題
第2章統計與最佳化基礎
微課視頻 168分鐘
2.1機率論基礎
2.1.1離散隨機變數
2.1.2連續隨機變數
2.1.3隨機變數的統一表示
2.1.4隨機變數的基本特徵
2.1.5隨機特徵的蒙特卡洛逼近
2.2機率實例
2.2.1離散隨機變數示例
2.2.2高斯分布
2.2.3指數族
2.2.4混合高斯過程
2.2.5馬爾可夫過程
2.3最大似然估計
2.4貝葉斯估計
2.5貝葉斯決策
2.5.1機器學習中的決策
2.5.2分類的決策
2.5.3回歸的決策
2.6隨機變數的熵特徵
2.6.1熵的定義和基本性質
2.6.2KL散度
2.7非參數方法
2.8最佳化技術概述
2.9本章小結
習題
第3章基本回歸算法
微課視頻 85分鐘
3.1線性回歸
3.1.1基本線性回歸
3.1.2線性回歸的遞推學習
3.1.3多輸出線性回歸
3.2正則化線性回歸
3.3線性基函式回歸
3.4本章小結
習題
第4章基本分類算法
微課視頻 86分鐘
4.1基本分類問題
4.2線性判別函式模型
4.2.1Fisher線性判別分析
*4.2.2感知機
4.3邏輯回歸
4.3.1二分類問題的邏輯回歸
4.3.2多分類問題的邏輯回歸
4.4樸素貝葉斯方法
4.5高斯生成模型分類器
4.5.1相同協方差矩陣情況的二分類
4.5.2不同協方差矩陣情況的二分類
4.5.3多分類情況
4.6本章小結
習題
第5章機器學習的性能與評估
5.1模型的訓練、驗證與測試
5.2機器學習模型的性能評估
5.3機器學習模型的誤差分解
5.4機器學習模型的泛化性能
5.4.1假設空間有限時的泛化誤差界
*5.4.2假設空間無限時的泛化誤差界
5.5本章小結
習題
第二部分經典算法
第6章支持向量機與核函式方法
微課視頻 90分鐘
6.1線性可分的支持向量機
6.1.1不等式約束的最佳化
6.1.2線性可分情況SVM的原理
6.1.3線性可分情況SVM的最佳化解
6.2線性不可分情況的SVM
6.2.1線性不可分情況SVM的最佳化解
6.2.2合頁損失函式
6.3非線性支持向量機
6.3.1SVM分類算法小結
6.3.2核函式方法
6.4SVM用於多分類問題
*6.5支持向量回歸
6.6本章小結
習題
第7章決策樹算法
微課視頻 75分鐘
7.1基本決策樹算法
7.1.1決策樹的基本結構
7.1.2信息增益和ID3算法
7.1.3信息增益率和C4.5算法
7.2CART算法
7.2.1分類樹
7.2.2回歸樹
7.3決策樹的一些實際問題
7.3.1連續數值變數
7.3.2正則化和剪枝技術
7.3.3缺失屬性的訓練樣本問題
7.4本章小結
習題
第8章集成學習算法
微課視頻 60分鐘
8.1Bagging和隨機森林
8.1.1自助採樣和Bagging算法
8.1.2隨機森林算法
8.2提升和AdaBoost算法
8.3提升樹算法
8.3.1加法模型和提升樹
8.3.2梯度提升樹
8.4本章小結
習題
第三部分進階方法
第9章神經網路與深度學習之一: 基礎
微課視頻 90分鐘
9.1神經網路的基本結構
9.1.1神經元結構
9.1.2多層神經網路解決異或問題
9.1.3多層感知機
9.1.4神經網路的逼近定理
9.2神經網路的目標函式和最佳化
9.2.1神經網路的目標函式
9.2.2神經網路的最佳化
9.3誤差反向傳播算法
9.3.1反向傳播算法的推導
9.3.2反向傳播算法的向量形式
9.4神經網路學習中的一些問題
9.4.1初始化
9.4.2正則化
9.4.3幾類等價正則化技術
9.5本章小結
習題
第10章神經網路與深度學習之二: 結構與最佳化
微課視頻 180分鐘
10.1卷積神經網路
10.1.1基本CNN的結構
*10.1.2卷積的一些擴展結構
*10.1.3CNN示例介紹
10.2循環神經網路
10.2.1基本RNN
10.2.2RNN的計算流程
*10.2.3RNN的擴展BP算法
10.2.4深度RNN
*10.2.5長短期記憶模型
*10.2.6門控循環單元
10.3深度學習中的最佳化算法
10.3.1小批量SGD算法
10.3.2動量SGD算法
10.3.3自適應學習率算法
10.4深度學習訓練的正則化技術
10.4.1Dropout技術
10.4.2批歸一化
10.5本章小結
習題
第11章無監督學習算法
微課視頻 85分鐘
11.1聚類算法
11.1.1K均值聚類算法
11.1.2其他度量和聚類算法
11.2EM算法
11.2.1獨立同分布情況
*11.2.2通過KL散度對EM算法的解釋
11.3EM算法求解高斯混合模型參數
11.3.1GMM參數估計
11.3.2GMM的軟聚類
11.4主分量分析
11.4.1主分量分析原理
11.4.2廣義Hebb算法
11.5本章小結
習題
第12章強化學習
微課視頻 160分鐘
12.1強化學習的基本問題
12.2馬爾可夫決策過程
12.2.1MDP的定義
12.2.2貝爾曼方程
12.2.3最優策略
12.2.4強化學習的類型
12.2.5探索與利用
12.3動態規劃
12.3.1策略疊代方法
12.3.2值函式疊代方法
12.4強化學習的蒙特卡洛方法
12.4.1MC部分策略評估
12.4.2MC策略改進
12.5強化學習的時序差分方法
12.5.1基本時序差分學習和Sarsa算法
12.5.2Q學習
12.5.3DP、MC和TD算法的簡單比較
12.6強化學習的值函式逼近
12.6.1基本線性值函式逼近
12.6.2深度Q網路
12.7策略梯度方法
12.7.1MC策略梯度算法Reinforce
12.7.2行動器 評判器方法
*12.8多臂賭博機
12.9本章小結
習題
參考文獻
附錄A課程的實踐型作業實例
A.1第1次實踐作業
A.2第2次實踐作業
A.3第3次實踐作業
附錄B函式對向量和矩陣的求導
視 頻 名 稱時長/分鐘位置
ML01 導論 1651.1節節首
ML02 導論 2601.3節節首
ML03 導論 3601.4節節首
ML04 統計基礎 1702.1節節首
ML05 統計基礎 2402.5節節首
ML06 統計基礎 3582.6節節首
ML07 回歸學習853.1節節首
ML08 分類學習 1504.1節節首
ML09 分類學習 2364.4節節首
ML10 核與SVM906.1節節首
ML11 決策樹757.1節節首
ML12 集成學習608.1節節首
ML13 神經網路909.1節節首
ML14 深度學習18010.1節節首
ML15 深度學習24410.2節節首
ML16 深度學習35610.3節節首
ML17 無監督學習16511.1節節首
ML18 無監督學習22011.4節節首
ML19 強化學習19012.1節節首
ML20 強化學習27012.3節節首

相關詞條

熱門詞條

聯絡我們