《機器學習的算法分析和實踐》是2023年清華大學出版社出版的圖書，作者是孫健。
基本介紹
- 中文名：機器學習的算法分析和實踐
- 作者：孫健
- 出版時間：2023年10月1日
- 出版社：清華大學出版社
- ISBN：9787302641520
- 定價：59 元
內容簡介,圖書目錄,
內容簡介
本書是一本全面介紹機器學習方法特別是算法的新書，適合初學者和有一定基礎的讀者。
機器學習可以分成三大類別，監督式學習、非監督式學習和強化學習。三大類別背後的算法也各有不同。監督式學習使用了數學分析中函式逼近方法、機率統計中的極大似然方法。非監督式學習使用了聚類和貝葉斯算法。強化學習使用了馬爾可夫決策過程算法。
機器學習背後的數學部分來自機率、統計、數學分析以及線性代數等領域。雖然用到的數學較多，但是最快捷的辦法還是帶著機器學習的具體問題來掌握背後的數學原理。因為線性代數和機率理論使用較多，本書在最後兩章集中把重要的一些機率論和線性代數的內容加以介紹，如果有需要的同學可以參考。另外，學習任何知識，動手練習加深理解的**方法，所以本書的每一章都配備了習題供大家實踐和練習。
圖書目錄
目錄
第 1章引論 .............................................................................................1
1.1什麼是機器學習 .............................................................................1
1.2多項式逼近函式 .............................................................................3
1.3多項式 Remez算法........................................................................6
習題 ................................................................................................... 10
第 2章感知機模型 ................................................................................. 11
2.1分類問題的刻畫 ........................................................................... 11
2.2線性規劃 ..................................................................................... 15
習題 ................................................................................................... 21
第 3章線性回歸..................................................................................... 23
3.1最小二乘法原理 ........................................................................... 23
3.2多元高斯分布模型........................................................................ 25
3.3誤差和方差.................................................................................. 26
3.4嶺回歸和 Lasso回歸 .................................................................... 28
習題 ................................................................................................... 30
第 4章邏輯回歸..................................................................................... 31
4.1邏輯回歸概述 .............................................................................. 31
4.2多重分類線性模型和非線性模型.................................................... 34
習題 ................................................................................................... 35
第 5章決策樹模型 ................................................................................. 37
5.1離散型數據.................................................................................. 37
5.2熵和決策樹的建立........................................................................ 39
5.3剪枝............................................................................................ 41
5.4連續型數據.................................................................................. 42
5.5 CART樹 .................................................................................... 43
習題 ................................................................................................... 46
第 6章生成模型和判別模型 .................................................................... 48
6.1極大似然估計 .............................................................................. 48
6.2貝葉斯估計.................................................................................. 50
6.3線性判別模型 .............................................................................. 51
6.4多元常態分配 .............................................................................. 53
6.5 LDA和 LQA .............................................................................. 54
第 7章最佳化方法..................................................................................... 57
7.1數值解方程.................................................................................. 57
7.2光滑函式的極值點........................................................................ 58
7.3帶約束條件的極值問題 ................................................................. 59
7.4梯度下降法.................................................................................. 61
7.5凸函式 ........................................................................................ 62
7.6對偶問題 ..................................................................................... 65
7.7 Minimax問題 ............................................................................. 66
7.8 L1過濾....................................................................................... 68
第 8章支持向量機 ................................................................................. 70
8.1點到平面的距離 ........................................................................... 70
8.2支持向量機的原理........................................................................ 71
8.3對偶問題 ..................................................................................... 73
8.4核函式的方法 .............................................................................. 75
8.5軟性支持向量機 ........................................................................... 77
8.6支持向量機回歸 ........................................................................... 79
習題 ................................................................................................... 80
第 9章神經網路..................................................................................... 81
9.1簡單函式逼近複雜函式 ................................................................. 81
9.2神經網路結構 .............................................................................. 83
習題 ................................................................................................... 85
第 10章機器學習理論問題 ..................................................................... 87
10.1問題的提出 ................................................................................ 87
10.2機率不等式 ................................................................................ 90
10.3有限假設空間............................................................................. 92
目錄 V
10.4 No Free Lunch定理 ................................................................... 95
10.5 VC維度 .................................................................................... 96
習題 ................................................................................................. 104
第 11章集成和提升 ............................................................................. 105
11.1方差偏度分解........................................................................... 105
11.2隨機森林 ................................................................................. 107
11.3梯度提升決策樹模型................................................................. 108
11.4 AdaBoost方法 ........................................................................ 111
習題 ................................................................................................. 114
第 12章主成分分析 ............................................................................. 115
12.1對稱矩陣特徵值和特徵向量....................................................... 115
12.2矩陣的奇異值分解 .................................................................... 118
12.3主成分分析 .............................................................................. 119
第 13章 EM算法 ................................................................................ 121
13.1一個機率問題........................................................................... 121
13.2混合高斯分布的 EM算法 ......................................................... 123
13.3一般形式推導........................................................................... 126
習題 ................................................................................................. 127
第 14章隱馬爾可夫模型....................................................................... 129
14.1第一個問題 .............................................................................. 130
14.2第二個問題 .............................................................................. 133
14.3第三個問題 .............................................................................. 134
14.4連續型隱馬爾可夫模型 ............................................................. 136
習題 ................................................................................................. 138
第 15章強化學習................................................................................. 140
15.1馬爾可夫價值系統 .................................................................... 140
15.2馬爾可夫價值蒙特卡羅數值解 ................................................... 141
15.3馬爾可夫決策系統 .................................................................... 142
15.4馬爾可夫決策系統最優策略....................................................... 143
15.5時序差分方法........................................................................... 144
15.6資格跡..................................................................................... 146
15.7值函式逼近方法 ....................................................................... 147
習題 ................................................................................................. 149
第 16章機率論基礎 ............................................................................. 150
16.1古典機率論內容 ....................................................................... 150
16.2連續分布 ................................................................................. 151
16.3期望 ........................................................................................ 154
16.4信息和熵 ................................................................................. 155
16.5大數定律證明........................................................................... 157
16.6中心極限定理證明 .................................................................... 159
第 17章線性代數基礎 .......................................................................... 161
17.1行列式..................................................................................... 161
17.2 Cramer法則 ............................................................................ 166
17.3矩陣初等性質........................................................................... 168
17.4矩陣的逆 ................................................................................. 171
17.5矩陣的初等變換 ....................................................................... 172
17.6伴隨矩陣 ................................................................................. 174
17.7對於矩陣運算求導數................................................................. 175
