機器學習算法導論

《機器學習算法導論》是2019年7月清華大學出版社出版的圖書，作者是王磊、王曉東。

基本介紹

• 書名：機器學習算法導論
• 作者：王磊、王曉東
• ISBN：9787302524564
• 定價：59.90元
• 出版社：清華大學出版社
• 出版時間：2019年7月

內容簡介

機器學習是計算機智慧型圍棋博弈系統、無人駕駛汽車和工業界人工智慧助理等新興技術的靈魂，特別是深度學習理論更是諸多高精尖人工智慧技術的核心。掌握機器學習理論與實踐技術是學習現代人工智慧科學最重要的一步。

本書既講述機器學習算法的理論分析，也結合具體套用介紹它們在Python中的實現及使用方法。本書的第2到第9章主要介紹監督式學習算法。其中包括：監督式學習算法基礎、線性回歸算法、機器學習中的搜尋算法、Logistic回歸算法、支持向量機算法、決策樹、神經網路和深度學習。隨後，在第10與11這兩章，著重介紹無監督學習算法。其中包括：降維算法和聚類算法。第12章中講述強化學習的相關知識。在本書的附錄中還提供了學習本書必備的數學基礎知識和Python語言與機器學習工具庫基本知識。

與其他機器學習類書籍相比，本書同時包含機器學習的算法理論和算法實踐。希望通過課程的學習,讀者能夠從機器學習的理論基礎和實際套用兩個層面全面掌握其核心技術，同時計算思維能力得到顯著提高，對於整個課程講述的機器學習算法核心知識，能夠知其然且知其所以然。同時著力培養讀者的計算思維能力，使他們在面臨實際套用的挑戰時，能夠以算法的觀點思考問題，並靈活套用數學概念來設計出高效安全的解決方案。

圖書目錄

第1章機器學習算法概述1

1.1什麼是機器學習2

1.2機器學習的形式分類4

1.2.1監督式學習4

1.2.2無監督學習7

1.2.3強化學習8

1.3機器學習算法綜覽9

1.4有關術語的約定15

小結16

第2章監督式學習算法基礎17

2.1監督式學習基本概念17

2.2經驗損失最小化架構20

2.3監督式學習與經驗損失最小化實例23

2.4正則化算法29

小結34

習題35

第3章線性回歸算法38

3.1線性回歸基本概念38

3.2線性回歸最佳化算法43

3.3多項式回歸49

3.4線性回歸的正則化算法52

3.5線性回歸的特徵選擇算法58

3.5.1逐步回歸58

3.5.2分段回歸63

小結66

習題66

第4章機器學習中的搜尋算法70

4.1梯度下降算法與次梯度下降算法71

4.2隨機梯度下降算法77

4.3牛頓疊代算法83

4.4坐標下降算法87

小結91

習題92

第5章Logistic回歸算法94

5.1Logistic回歸基本概念94

5.2Logistic回歸最佳化算法100

5.3分類問題的度量107

5.3.1準確率107

5.3.2精確率與召回率108

5.3.3ROC曲線及AUC度量112

5.4Softmax回歸115

5.4.1Softmax回歸基本概念115

5.4.2Softmax回歸最佳化算法116

5.4.3Softmax模型與指數分布族121

小結123

習題123

第6章支持向量機算法126

6.1支持向量機基本概念126

6.1.1支持向量機思想起源127

6.1.2支持向量機的凸最佳化描述129

6.1.3支持向量機的對偶132

6.2支持向量機最佳化算法133

6.3核方法140

6.4軟間隔支持向量機1476.4.1軟間隔支持向量機基本概念147

6.4.2軟間隔支持向量機最佳化算法149

6.4.3Hinge損失與軟間隔支持向量機152

小結153

習題154

第7章決策樹158

7.1決策樹的基本概念158

7.2決策樹最佳化算法166

7.2.1決策樹回歸問題的CART算法166

7.2.2決策樹分類問題的CART算法168

7.3CART算法實現及套用171

7.3.1決策樹CART算法基類171

7.3.2決策樹回歸問題的CART算法的實現及套用175

7.3.3決策樹分類問題的CART算法的實現及套用178

7.4集成學習算法180

7.4.1隨機森林分類算法181

7.4.2隨機森林回歸算法187

7.5梯度提升決策樹回歸算法189

小結192

習題193

第8章神經網路197

8.1神經網路基本概念197

8.1.1神經網路模型197

8.1.2神經網路算法描述202

8.2神經網路最佳化算法204

8.3神經網路算法實現208

8.4神經網路的TensorFlow實現216

小結218

習題218

第9章深度學習222

9.1卷積神經網路2229.1.1濾鏡224

9.1.2卷積層226

9.1.3卷積神經網路的實現230

9.2循環神經網路237

9.2.1循環神經網路基本概念238

9.2.2循環神經網路的實現241

9.2.3時間反向傳播算法245

9.2.4長短時記憶基本概念246

9.2.5長短時記憶的實現249

小結250

習題251

第10章降維算法256

10.1主成分分析法256

10.1.1算法思想256

10.1.2算法實現261

10.1.3奇異值分解263

10.2主成分分析的核方法265

10.2.1主成分分析法的等價形式265

10.2.2核方法算法描述266

10.2.3核方法算法實現268

10.3線性判別分析法271

10.3.1算法思想271

10.3.2算法實現273

10.4流形降維算法275

10.4.1局部線性嵌入法276

10.4.2多維縮放法280

10.5自動編碼器284

小結287

習題288

第11章聚類算法293

11.1k均值算法293

11.2合併聚類算法29811.3DBSCAN算法304

小結309

習題310

第12章強化學習313

12.1強化學習基本概念314

12.1.1馬爾可夫環境模型314

12.1.2策略316

12.2動態規劃型算法318

12.2.1值疊代算法319

12.2.2策略疊代算法323

12.3時序差分型算法327

12.4深度Q神經網路335

12.5策略梯度型算法341

12.5.1REINFORCE算法342

12.5.2ActorCritic算法345

小結348

習題349

附錄A機器學習數學基礎352

A.1線性代數352

A.2微積分357

A.3最佳化理論361

A.3.1凸函式的定義及判定361

A.3.2無約束凸最佳化問題362

A.3.3帶約束凸最佳化問題364

A.4機率論簡介366

附錄BPython語言與機器學習工具庫370

B.1Python語言基礎370

B.2SciPy工具庫374

B.2.1NumPy簡介374

B.2.2Matplotlib簡介378B.2.3Pandas簡介379

B.3Sklearn簡介380

B.4TensorFlow簡介383

附錄C本書使用的數據集387

參考文獻388