《機器學習》是清華大學出版社出版發行的書籍，作者是周志華。
基本介紹
- 書名：機器學習
- 作者：周志華
- ISBN：9787302423287
- 出版社：清華大學出版社
出版信息,內容簡介,作者簡介,目錄,
出版信息
作者:周志華
出版社:清華大學出版社
出版年:2016-1-1
頁數:425
定價:88.00元
裝幀:平裝
ISBN:9787302423287
內容簡介
機器學習是計算機科學與人工智慧的重要分支領域. 本書作為該領域的入門教材，在內容上儘可能涵蓋機器學習基礎知識的各方面。 為了使儘可能多的讀者通過本書對機器學習有所了解, 作者試圖儘可能少地使用數學知識. 然而, 少量的機率、統計、代數、最佳化、邏輯知識似乎不可避免. 因此, 本書更適合大學三年級以上的理工科本科生和研究生, 以及具有類似背景的對機器學 習感興趣的人士. 為方便讀者, 本書附錄給出了一些相關數學基礎知識簡介.
作者簡介
周志華，南京大學教授，計算機科學與技術系副主任，軟體新技術國家重點實驗室常務副主任。
目錄
目錄
第1章 1
1.1 引言 1
1.2 基本術 2
1.3 假設空間 4
1.4 歸納偏好 6
1.5 發展歷程 10
1.6 套用現狀 13
1.7 閱讀材料 16
習題 19
參考文獻 20
休息一會兒 22
第2章 模型評估與選擇 23
2.1 經驗誤差與過擬合 23
2.2 評估方法 24
2.2.1 留出法 25
2.2.2 交叉驗證法 26
2.2.3 自助法 27
2.2.4 調參與最終模型 28
2.3 性能度量 28
2.3.1 錯誤率與精度 29
2.3.2 查準率、查全率與F1 30
2.3.3 ROC與AUC 33
2.3.4 代價敏感錯誤率與代價曲線 35
2.4 比較檢驗 37
2.4.1 假設檢驗 37
2.4.2 交叉驗證t檢驗 40
2.4.3 McNemar檢驗 41
2.4.4 Friedman檢驗與後續檢驗 42
2.5 偏差與方差 44
2.6 閱讀材料 46
習題 48
參考文獻 49
休息一會兒 51
第3章 線性模型 53
3.1 基本形式 53
3.2 線性回歸 53
3.3 對數幾率回歸 57
3.4 線性判別分析 60
3.5 多分類學習 63
3.6 類別不平衡問題 66
3.7 閱讀材料 67
習題 69
參考文獻 70
休息一會兒 72
第4章 決策樹 73
4.1 基本流程 73
4.2 劃分選擇 75
4.2.1 信息增益 75
4.2.2 增益率 77
4.2.3 基尼指數 79
4.3 剪枝處理 79
4.3.1 預剪枝 80
4.3.2 後剪枝 82
4.4 連續與缺失值 83
4.4.1 連續值處理 83
4.4.2 缺失值處理 85
4.5 多變數決策樹 88
4.6 閱讀材料 92
習題 93
參考文獻 94
休息一會兒 95
第5章 神經網路 97
5.1 神經元模型 97
5.2 感知機與多層網路 98
5.3 誤差逆傳播算法 101
5.4 全局最小與局部極小 106
5.5 其他常見神經網路 108
5.5.1 RBF網路 108
5.5.2 ART網路 108
5.5.3 SOM網路 109
5.5.4 級聯相關網路 110
5.5.5 Elman網路 111
5.5.6 Boltzmann機 111
5.6 深度學習 113
5.7 閱讀材料 115
習題 116
參考文獻 117
休息一會兒 120
第6章 支持向量機 121
6.1 間隔與支持向量 121
6.2 對偶問題 123
6.3 核函式 126
6.4 軟間隔與正則化 129
6.5 支持向量回歸 133
6.6 核方法 137
6.7 閱讀材料 139
習題 141
參考文獻 142
休息一會兒 145
第7章 貝葉斯分類器 147
7.1 貝葉斯決策論 147
7.2 極大似然估計 149
7.3 樸素貝葉斯分類器 150
7.4 半樸素貝葉斯分類器 154
7.5 貝葉斯網 156
7.5.1 結構 157
7.5.2 學習 159
7.5.3 推斷 161
7.6 EM算法 162
7.7 閱讀材料 164
習題 166
參考文獻 167
休息一會兒 169
第8章 集成學習 171
8.1 個體與集成 171
8.2 Boosting 173
8.3 Bagging與隨機森林 178
8.3.1 Bagging 178
8.3.2 隨機森林 179
8.4 結合策略 181
8.4.1 平均法 181
8.4.2 投票法 182
8.4.3 學習法 183
8.5 多樣性 185
8.5.1 誤差--分歧分解 185
8.5.2 多樣性度量 186
8.5.3 多樣性增強 188
8.6 閱讀材料 190
習題 192
參考文獻 193
休息一會兒 196
第9章 聚類 197
9.1 聚類任務 197
9.2 性能度量 197
9.3 距離計算 199
9.4 原型聚類 202
9.4.1 k均值算法 202
9.4.2 學習向量量化 204
9.4.3 高斯混合聚類 206
9.5 密度聚類 211
9.6 層次聚類 214
9.7 閱讀材料 217
習題 220
參考文獻 221
休息一會兒 224
第10章 降維與度量學習 225
10.1 k近鄰學習 225
10.2 低維嵌入 226
10.3 主成分分析 229
10.4 核化線性降維 232
10.5 流形學習 234
10.5.1 等度量映射 234
10.5.2 局部線性嵌入 235
10.6 度量學習 237
10.7 閱讀材料 240
習題 242
參考文獻 243
休息一會兒 246
第11章 特徵選擇與稀疏學習 247
11.1 子集搜尋與評價 247
11.2 過濾式選擇 249
11.3 包裹式選擇 250
11.4 嵌入式選擇與L$_1$正則化 252
11.5 稀疏表示與字典學習 254
11.6 壓縮感知 257
11.7 閱讀材料 260
習題 262
參考文獻 263
休息一會兒 266
第12章 計算學習理論 267
12.1 基礎知識 267
12.2 PAC學習 268
12.3 有限假設空間 270
12.3.1 可分情形 270
12.3.2 不可分情形 272
12.4 VC維 273
12.5 Rademacher複雜度 279
12.6 穩定性 284
12.7 閱讀材料 287
習題 289
參考文獻 290
休息一會兒 292
第13章 半監督學習 293
13.1 未標記樣本 293
13.2 生成式方法 295
13.3 半監督SVM 298
13.4 圖半監督學習 300
13.5 基於分歧的方法 304
13.6 半監督聚類 307
13.7 閱讀材料 311
習題 313
參考文獻 314
休息一會兒 317
第14章 機率圖模型 319
14.1 隱馬爾可夫模型 319
14.2 馬爾可夫隨機場 322
14.3 條件隨機場 325
14.4 學習與推斷 328
14.4.1 變數消去 328
14.4.2 信念傳播 330
14.5 近似推斷 331
14.5.1 MCMC採樣 331
14.5.2 變分推斷 334
14.6 話題模型 337
14.7 閱讀材料 339
習題 341
參考文獻 342
休息一會兒 345
第15章 規則學習 347
15.1 基本概念 347
15.2 序貫覆蓋 349
15.3 剪枝最佳化 352
15.4 一階規則學習 354
15.5 歸納邏輯程式設計 357
15.5.1 最小一般泛化 358
15.5.2 逆歸結 359
15.6 閱讀材料 363
習題 365
參考文獻 366
休息一會兒 369
第16章 強化學習 371
16.1 任務與獎賞 371
16.2 $K$-搖臂賭博機 373
16.2.1 探索與利用 373
16.2.2 $\epsilon $-貪心 374
16.2.3 Softmax 375
16.3 有模型學習 377
16.3.1 策略評估 377
16.3.2 策略改進 379
16.3.3 策略疊代與值疊代 381
16.4 免模型學習 382
16.4.1 蒙特卡羅強化學習 383
16.4.2 時序差分學習 386
16.5 值函式近似 388
16.6 模仿學習 390
16.6.1 直接模仿學習 391
16.6.2 逆強化學習 391
16.7 閱讀材料 393
習題 394
參考文獻 395
休息一會兒 397
附錄 399
A 矩陣 399
B 最佳化 403
C 機率分布 409
後記 417
索引 419
