《機器學習與最佳化》是2020年2月人民郵電出版社出版的圖書，作者是[意]羅伯托·巴蒂蒂（Roberto Battiti） 、毛羅·布魯納托。
基本介紹
- 書名：機器學習與最佳化
- 作者：[意]羅伯托·巴蒂蒂（Roberto Battiti）、毛羅·布魯納托
- ISBN：9787115480293
- 頁數：272頁
- 定價：89元
- 出版社：人民郵電出版社
- 出版時間：2020年2月
- 裝幀：平裝
- 開本：16開
內容簡介,圖書目錄,
內容簡介
本書是機器學習實戰領域的一本佳作，從機器學習的基本概念講起，旨在將初學者引入機器學習的大門，並走上實踐的道路。本書通過講解機器學習中的監督學習和無監督學習，並結合特徵選擇和排序、聚類方法、文本和網頁挖掘等熱點問題，論證了“最佳化是力量之源”這一觀點，為機器學習在企業中的套用提供了切實可行的操作建議。
圖書目錄
第1章 引言 1
1.1 學習與智慧型最佳化：燎原之火 1
1.2 尋找黃金和尋找伴侶 3
1.3 需要的只是數據 淚姜少5
1.4 超越傳統的商業智慧型 5
1.5 LION方法的實施 6
1.6 “動手”的方法 6
第 2章 懶惰學習：最近鄰方法 9
第3章 學習需要方法 14
3.1 從已標記的案例中學習：最小化和泛化 16
3.2 學習、驗證、測試 18
3.3 不同類型的誤差 21
第 一部分 監督學習
第4章 線性模型 26
4.1 線性回歸 27
4.2 處理非線性函式關係的技巧 28
4.3 用於分類的線性模型 29
4.4 大腦是如何工作的 30
4.5 線性模型為何普遍，為何成功 31
4.6 最小化平方誤差和 32
4.7 數值不穩定性和嶺回歸 34
第5章 廣義線性最小二乘法 37
5.1 擬合的優劣和卡方分布 38
5.2 最小二乘法與最大似然估計 42
5.2.1 假設檢驗 42
5.2.2 交叉驗證 44
5.3 置信度的自助法 44
第6章 規則、決策樹和森林 50
6.1 構造決策樹 52
6.2 民主與決策森林 雄囑凳56
第7章 特徵排序及選擇 59
7.1 特徵選擇：情境 60
7.2 相關係數 62
7.3 相關比 63
7.4 卡方檢驗拒絕統計獨立性 64
7.5 熵和互信息 64
第8章 特定非線性模型 67
8.1 logistic 回歸 67
8.2 局部加權回歸 69
8.3 用LASSO來縮小係數和選擇輸入值 72
第9章 神經網路：多層感知器 76
9.1 多層感知器 78
9.2 通過反向傳播法學習 80
9.2.1 批量和bold driver反向傳播法 81
9.2.2 線上或隨機反向傳播 82
9.2.3 訓練多層感知器的高級最佳化 83
第 10章 深度和卷積網路 84
10.1 深度神經網路 85
10.1.1 自動編碼器 86
10.1.2 隨機噪聲、禁止和課程 88
10.2 局部感受野和卷積網路 89
11.1 經驗風險最小化 96
11.1.1 線性可分問題 98
11.1.2 不可分問題 100
11.1.3 非線性假設 100
11.1.4 用於回歸的支霉淋持向量 101
第 12章 最小二乘法和健壯核心機器 103
12.1 最小二乘支持向量機分類器和凝連 104
12.2 健壯加權最小二乘支持向量機 106
12.3 通過修剪恢復稀疏 107
12.4 算法改進：調諧QP、原始版本、無補償 108
第 13章 機器學習中的民主 110
13.1 堆疊和融合 111
13.2 實例操您碑蒸作帶來的多樣性：裝袋法和提升法 113
13.3 特徵操作帶來的多樣性 114
13.4 輸出值操作帶來的多樣性：糾錯碼 115
13.5 訓練階段隨機性帶來的多樣性 115
13.6 加性logistic回歸 115
13.7 民主有助於準確率－拒絕的折中 118
第 14章 遞歸神經網路和儲備池計算 121
14.1 遞歸神經網路 122
14.2 能量極小化霍普菲爾德網路 124
14.3 遞歸神經網路和時序反向傳播 126
14.4 遞歸神經網路儲備池學習 127
14.5 超限學習機 128
第二部分 無監督學習和聚類
第 15章 自頂向下的聚類：K均值 132
15.1 無監督學習的方法 134
15.2 聚類：表示與度量 135
15.3 硬聚類或軟聚類的K均值方法 137
第 16章 自底向上（凝聚朵慨霸汽）聚類 142
16.1 合併標準以及樹狀圖 142
16.2 適應點的分布距離：馬氏距離 144
16.3 附錄：聚類的可視化 146
第 17章 自組織映射 149
17.1 將實體映射到原型的人工皮層 150
17.2 使用成熟的自組織映射進行分類 153
第 18章 通過線性變換降維（投影） 155
18.1 線性投影 156
18.2 主成分分析 158
18.3 加權主成分分析：結合坐標和關係 160
18.4 通過比值最佳化進行線性判別 161
18.5 費希爾線性判別分析 163
第 19章 通過非線性映射可視化圖與網路 165
19.1 最小應力可視化 166
19.2 一維情況：譜圖繪製匙戲拜說 168
19.3 複雜圖形分布標準 170
第 20章 半監督學習 174
20.1 用部分無監督數據進行學習 175
20.1.1 低密度區域中的分離 177
20.1.2 基於圖的算法 177
20.1.3 學習度量 179
20.1.4 集成約束和度量學習 179
第三部分 最佳化：力量之源
第 21章 自動改進的局部方法 184
21.1 最佳化和學習 185
21.2 基於導數技術的一維情況 186
21.2.1 導數可以由割線近似 190
21.2.2 一維最小化 191
21.3 求解高維模型（二次正定型） 191
21.3.1 梯度與最速下降法 194
21.3.2 共軛梯度法 196
21.4 高維中的非線性最佳化 196
21.4.1 通過線性查找的全局收斂 197
21.4.2 解決不定黑塞矩陣 198
21.4.3 與模型信賴域方法的關係 199
21.4.4 割線法 200
21.4.5 縮小差距：二階方法與線性複雜度 201
21.5 不涉及導數的技術：反饋仿射振盪器 202
21.5.1 RAS：抽樣區域的適應性 203
21.5.2 為健壯性和多樣化所做的重複 205
第 22章 局部搜尋和反饋搜尋最佳化 211
22.1 基於擾動的局部搜尋 212
22.2 反饋搜尋最佳化：搜尋時學習 215
22.3 基於禁忌的反饋搜尋最佳化 217
第 23章 合作反饋搜尋最佳化 222
23.1 局部搜尋過程的智慧型協作 223
23.2 CoRSO：一個政治上的類比 224
23.3 CoRSO的例子：RSO與RAS合作 226
第 24章 多目標反饋搜尋最佳化 232
24.1 多目標最佳化和帕累托最優 233
24.2 腦－計算機最佳化：循環中的用戶 235
第四部分 套用精選
第 25章 文本和網頁挖掘 240
25.1 網頁信息檢索與組織 241
25.1.1 爬蟲 241
25.1.2 索引 242
25.2 信息檢索與排名 244
25.2.1 從文檔到向量：向量－空間模型 245
25.2.2 相關反饋 247
25.2.3 更複雜的相似性度量 248
25.3 使用超連結來進行網頁排名 250
25.4 確定中心和權威：HITS 254
25.5 聚類 256
第 26章 協同過濾和推薦 257
26.1 通過相似用戶結合評分 258
26.2 基於矩陣分解的模型 260
參考文獻 263
索引 269
11.1 經驗風險最小化 96
11.1.1 線性可分問題 98
11.1.2 不可分問題 100
11.1.3 非線性假設 100
11.1.4 用於回歸的支持向量 101
第 12章 最小二乘法和健壯核心機器 103
12.1 最小二乘支持向量機分類器 104
12.2 健壯加權最小二乘支持向量機 106
12.3 通過修剪恢復稀疏 107
12.4 算法改進：調諧QP、原始版本、無補償 108
第 13章 機器學習中的民主 110
13.1 堆疊和融合 111
13.2 實例操作帶來的多樣性：裝袋法和提升法 113
13.3 特徵操作帶來的多樣性 114
13.4 輸出值操作帶來的多樣性：糾錯碼 115
13.5 訓練階段隨機性帶來的多樣性 115
13.6 加性logistic回歸 115
13.7 民主有助於準確率－拒絕的折中 118
第 14章 遞歸神經網路和儲備池計算 121
14.1 遞歸神經網路 122
14.2 能量極小化霍普菲爾德網路 124
14.3 遞歸神經網路和時序反向傳播 126
14.4 遞歸神經網路儲備池學習 127
14.5 超限學習機 128
第二部分 無監督學習和聚類
第 15章 自頂向下的聚類：K均值 132
15.1 無監督學習的方法 134
15.2 聚類：表示與度量 135
15.3 硬聚類或軟聚類的K均值方法 137
第 16章 自底向上（凝聚）聚類 142
16.1 合併標準以及樹狀圖 142
16.2 適應點的分布距離：馬氏距離 144
16.3 附錄：聚類的可視化 146
第 17章 自組織映射 149
17.1 將實體映射到原型的人工皮層 150
17.2 使用成熟的自組織映射進行分類 153
第 18章 通過線性變換降維（投影） 155
18.1 線性投影 156
18.2 主成分分析 158
18.3 加權主成分分析：結合坐標和關係 160
18.4 通過比值最佳化進行線性判別 161
18.5 費希爾線性判別分析 163
第 19章 通過非線性映射可視化圖與網路 165
19.1 最小應力可視化 166
19.2 一維情況：譜圖繪製 168
19.3 複雜圖形分布標準 170
第 20章 半監督學習 174
20.1 用部分無監督數據進行學習 175
20.1.1 低密度區域中的分離 177
20.1.2 基於圖的算法 177
20.1.3 學習度量 179
20.1.4 集成約束和度量學習 179
第三部分 最佳化：力量之源
第 21章 自動改進的局部方法 184
21.1 最佳化和學習 185
21.2 基於導數技術的一維情況 186
21.2.1 導數可以由割線近似 190
21.2.2 一維最小化 191
21.3 求解高維模型（二次正定型） 191
21.3.1 梯度與最速下降法 194
21.3.2 共軛梯度法 196
21.4 高維中的非線性最佳化 196
21.4.1 通過線性查找的全局收斂 197
21.4.2 解決不定黑塞矩陣 198
21.4.3 與模型信賴域方法的關係 199
21.4.4 割線法 200
21.4.5 縮小差距：二階方法與線性複雜度 201
21.5 不涉及導數的技術：反饋仿射振盪器 202
21.5.1 RAS：抽樣區域的適應性 203
21.5.2 為健壯性和多樣化所做的重複 205
第 22章 局部搜尋和反饋搜尋最佳化 211
22.1 基於擾動的局部搜尋 212
22.2 反饋搜尋最佳化：搜尋時學習 215
22.3 基於禁忌的反饋搜尋最佳化 217
第 23章 合作反饋搜尋最佳化 222
23.1 局部搜尋過程的智慧型協作 223
23.2 CoRSO：一個政治上的類比 224
23.3 CoRSO的例子：RSO與RAS合作 226
第 24章 多目標反饋搜尋最佳化 232
24.1 多目標最佳化和帕累托最優 233
24.2 腦－計算機最佳化：循環中的用戶 235
第四部分 套用精選
第 25章 文本和網頁挖掘 240
25.1 網頁信息檢索與組織 241
25.1.1 爬蟲 241
25.1.2 索引 242
25.2 信息檢索與排名 244
25.2.1 從文檔到向量：向量－空間模型 245
25.2.2 相關反饋 247
25.2.3 更複雜的相似性度量 248
25.3 使用超連結來進行網頁排名 250
25.4 確定中心和權威：HITS 254
25.5 聚類 256
第 26章 協同過濾和推薦 257
26.1 通過相似用戶結合評分 258
26.2 基於矩陣分解的模型 260
參考文獻 263
索引 269
