機器學習算法導論

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
  • 出版社:清華大學出版社
  • 出版時間:2019年7月
  • 定價:59.9 元
  • ISBN:9787302524564
內容簡介,圖書目錄,

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
8.1.2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
10.1.1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

相關詞條

熱門詞條

聯絡我們