機器學習與智慧型感知

《機器學習與智慧型感知》是2023年9月1日清華大學出版社出版的圖書，作者：張寶昌、黃雷、丁嶸、王田。

基本介紹

• 中文名：機器學習與智慧型感知
• 作者：張寶昌、黃雷、丁嶸、王田
• 出版時間：2023年9月1日
• 出版社：清華大學出版社
• ISBN：9787302641704
• 定價：49.80 元
• 印次：1-1
• 印刷日期：2023.09.20

內容簡介

本書旨在通過對機器學習主要原理和方法的介紹，並且結合作者多年來在智慧型感知方面的研究成果，對其他書籍未涉及的一些前沿研究進行補充闡述。通過對基礎理論循序漸進、深入淺出的講解，讀者能夠更快速地掌握機器學習的基本方法，在此基礎上每章內容由易到難，讀者可以根據自己的掌握程度以及興趣，選擇特定的方向進行更深入的學習。 本書可作為有一定數學基礎的人工智慧專業的本科生和研究生教材，也可作為有志於鑽研人工智慧相關領域（包括機器學習和智慧型感知等方向）的讀者的參考書。

圖書目錄

目錄

第1章機器學習的發展史1

引言1

1.1機器學習1

1.1.1機器學習的定義和研究意義1

1.1.2機器學習的發展史3

1.1.3機器學習系統的基本結構4

1.1.4機器學習的分類5

1.1.5目前研究領域9

1.2統計模式識別問題9

1.2.1機器學習問題的表示10

1.2.2經驗風險最小化11

1.2.3複雜性與推廣能力12

1.3統計機器學習理論的核心內容13

1.3.1學習過程一致性的條件13

1.3.2推廣性的界13

1.3.3結構風險最小化15

1.4解耦因果學習16

1.4.1因果學習17

1.4.2相關工作18

1.4.3解耦因果學習方法與套用18

1.5總結21

課後習題21

第2章決策樹學習22

引言22

2.1決策樹學習概述22

2.1.1決策樹23

2.1.2性質24

2.1.3套用24

2.1.4學習24

2.2決策樹設計25

2.2.1決策樹的特點25

2.2.2決策樹的生成25

2.3總結30

課後習題30

第3章PAC模型31

引言31

3.1基本的PAC模型31

3.1.1PAC簡介31

3.1.2基本概念31

3.1.3問題框架32

3.2PAC模型樣本複雜度分析33

3.2.1有限空間樣本複雜度33

3.2.2無限空間樣本複雜度34

3.3VC維計算35

3.4總結36

課後習題36

第4章貝葉斯學習37

引言37

4.1貝葉斯學習37

4.1.1貝葉斯公式37

4.1.2最小誤差決策38

4.1.3正態密度38

4.1.4最大似然估計39

4.2樸素貝葉斯原理及套用40

4.2.1貝葉斯最佳假設原理40

4.2.2基於樸素貝葉斯的文本分類器40

4.3HMM（隱馬爾可夫模型）及套用43

4.3.1馬爾可夫性43

4.3.2馬爾可夫鏈44

4.3.3轉移機率矩陣44

4.3.4HMM（隱馬爾可夫模型）及套用44

4.4總結48

課後習題49

第5章支持向量機50

引言50

5.1支持向量機概述50

5.1.1margin最大化50

5.1.2支持向量機最佳化51

5.2支持向量機的實例55

5.3支持向量機的實現算法55

5.4多類支持向量機57

5.5總結58

課後習題58

第6章AdaBoost59

引言59

6.1AdaBoost與目標檢測59

6.1.1AdaBoost算法59

6.1.2AdaBoost訓練61

6.1.3AdaBoost實例62

6.2具有強魯棒性的實時目標檢測63

6.2.1Haarlike矩形特徵選取63

6.2.2積分圖63

6.2.3訓練結果64

6.2.4級聯64

6.3隨機森林65

6.3.1原理闡述66

6.3.2算法詳解66

6.3.3算法分析67

6.4總結67

課後習題68

第7章壓縮感知69

引言69

7.1壓縮感知理論框架69

7.2壓縮感知的基本理論及核心問題70

7.2.1壓縮感知的數學模型70

7.2.2信號的稀疏表示70

7.2.3信號的觀測矩陣71

7.2.4信號的重構算法72

7.3壓縮感知的套用72

7.3.1套用72

7.3.2人臉識別73

7.4總結74

課後習題75

第8章子空間76

引言76

8.1基於主成分分析的特徵提取76

8.2數學模型78

8.3主成分的數學上的計算78

8.3.1兩個線性代數的結論78

8.3.2基於協方差矩陣的特徵值分解79

8.3.3主成分分析的步驟80

8.4主成分分析的性質80

8.5基於主成分分析的人臉識別方法81

8.6總結82

課後習題82

第9章神經網路與深度學習83

引言83

9.1神經網路及其主要算法83

9.1.1前饋神經網路83

9.1.2感知器83

9.1.3反向傳播算法85

9.2深度學習87

9.2.1深度學習算法基礎與網路模型87

9.2.2深度學習算法原理88

9.2.3卷積神經網路算法原理91

9.3深度學習網路模型94

9.3.1深度學習網路架構94

9.3.2網路模型最佳化95

9.3.3代表性的網路模型97

9.4總結102

課後習題102

第10章調製壓縮神經網路103

引言103

10.1神經網路模型壓縮概述103

10.1.1量化與二值化104

10.1.2剪枝與共享104

10.2調製壓縮神經網路106

10.3損失函式107

10.4前向卷積108

10.4.1重構卷積核108

10.4.2調製網路的前向卷積過程109

10.5調製卷積神經網路模型的梯度反傳110

10.6MCN網路的實驗驗證112

10.6.1模型收斂效率114

10.6.2模型時間分析114

10.6.3實驗結果114

課後習題115

第11章批量白化技術116

引言116

11.1批量標準化技術116

11.2批量白化方法117

11.2.1隨機坐標交換問題117

11.2.2ZCA白化119

11.3批量白化模組121

11.4分析和討論123

11.4.1提高模型的條件情況123

11.4.2近似的動態等距性124

11.5總結124

課後習題125

第12章正交權重矩陣126

引言126

12.1多個依賴的Stiefel流最佳化126

12.2正交權重矩陣的特性127

12.2.1穩定激活值的分布127

12.2.2規整化神經網路127

12.3正交權重標準化技術128

12.3.1設計正交變換128

12.3.2反向傳播129

12.3.3正交線性模組130

12.4實驗與分析131

12.4.1求解多個依賴的Stiefel流最佳化問題方法比較131

12.4.2多層感知機實驗133

12.4.3ImageNet 2012大規模圖像數據分類實驗134

12.5總結135

課後習題135

第13章強化學習136

引言136

13.1AlphaGo技術136

13.2強化學習概述139

13.3強化學習過程140

13.3.1馬爾可夫性140

13.3.2獎勵141

13.3.3估價函式141

13.3.4動態規劃141

13.3.5蒙特卡羅方法142

13.3.6時序差分學習143

13.4Q學習算法144

13.4.1Q學習算法介紹144

13.4.2獎勵145

13.4.3Q學習算法的改進147

13.5程式實現148

課後習題151

參考文獻152