[套装书]机器学习：基于约束的方法+机器学习的数学理论（2册）
| 作者 |
| 马可·戈里 史斌 S.S.艾扬格 |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782008179451 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------机器学习：基于约束的方法--------------------------- 本书从全新的视角诠释了机器学习的基本模型和算法，重点讨论了当前的两项研究热点——神经网络和核方法。全书紧紧围绕从环境约束中学习的概念，将符号知识库作为约束集合，通过采用多值逻辑形式的思想，实现了约束方法与机器学习的深度融合。特别是对深度学习的讲解，很好地呈现了本书中所遵循的基于约束的方法。此外，本书还提供不同难度等级的练习及参考答案，适合高等院校计算机相关专业的学生参考，也适合业界研究人员和技术人员阅读。 ---------------------------机器学习的数学理论--------------------------- 本书重点研究机器学习的数学理论。第一部分探讨了在非凸优化问题中，选择梯度下降步长来避免严格鞍点的最优性和自适应性。在第二部分中，作者提出了在非凸优化中寻找局部极小值的算法，并利用牛顿第二定律在一定程度上得到无摩擦的全局极小值。第三部分研究了含有噪声和缺失数据的子空间聚类问题，这是一个由随机高斯噪声的实际应用数据和/或含有均匀缺失项的不完全数据激发的问题。最后，提出了一种新的具有粘性网正则化的VAR模型及其等价贝叶斯模型，该模型既考虑了稳定的稀疏性，又考虑了群体选择。 |
| 目录 |
---------------------------机器学习：基于约束的方法--------------------------- 译者序 前言 练习说明 第1章整体情况 11为什么机器需要学习 111学习任务 112环境的符号和子符号表示 113生物和人工神经网络 114学习的协议 115基于约束的学习 12原则和实践 121归纳的令人困惑的本质 122学习原则 123时间在学习过程中的作用 124注意力机制的聚焦 13实践经验 131度量实验的成功 132手写字符识别 133建立机器学习实验 134试验和实验备注 14机器学习面临的挑战 141学习观察 142语言理解 143生活在自己环境中的代理 15注释 第2章学习原则 21环境约束 211损失函数与风险函数 212约束引发的风险函数的病态 213风险最小化 214偏差——方差困境 22统计学习 221最大似然估计 222贝叶斯推理 223贝叶斯学习 224图形模式 225频率论和贝叶斯方法 23基于信息的学习 231一个启发性的示例 232最大熵原理 233最大相互信息 24简约原则下的学习 241简约原则 242最小描述长度 243MDL与正则化 244正则化的统计解释 25注释 第3章线性阈值机 31线性机 311正规方程 312待定问题和广义逆 313岭回归 314原始表示和对偶表示 32包含阈值单元的线性机 321谓词阶数和表示性问题 322线性可分示例的最优性 323无法分离的线性可分 33统计视图 331贝叶斯决策和线性判别分析 332逻辑回归 333符合贝叶斯决策的独立原则 334统计框架中的LMS 34算法问题 341梯度下降 342随机梯度下降 343感知机算法 344复杂性问题 35注释 第4章核方法 41特征空间 411多项式预处理 412布尔富集 413不变的特征匹配 414高维空间中的线性可分性 42最大边际问题 421线性可分下的分类 422处理软约束问题 423回归 43核函数 431相似性与核技巧 432内核表征 433再生核映射 434内核类型 44正则化 441正则化的风险 442在RKHS上的正则化 443最小化正则化风险 444正则化算子 45注释 第5章深层结构 51结构性问题 511有向图及前馈神经网络 512深层路径 513从深层结构到松弛结构 514分类器、回归器和自动编码器 52布尔函数的实现 521“与或”门的典型实现 522通用的“与非”实现 523浅层与深层实现 524基于LTU的实现和复杂性问题 53实值函数实现 531基于几何的计算实现 532通用近似 533解空间及分离表面 534深层网络和表征问题 54卷积网络 541内核、卷积和感受野 542合并不变性 543深度卷积网络 55前馈神经网络上的学习 551监督学习 552反向传播 553符号微分以及自动求导法则 554正则化问题 56复杂度问题 561关于局部最小值的问题 562面临饱和 563复杂性与数值问题 57注释 第6章约束下的学习与推理 61约束机 611学习和推理 612约束环境的统一视图 613学习任务的函数表示 614约束下的推理 62环境中的逻辑约束 621形式逻辑与推理的复杂度 622含符号和子符号的环境 623t范数 624ukasiewicz命题逻辑 63扩散机 631数据模型 632时空环境中的扩散 633循环神经网络 64算法问题 641基于内容的逐点约束 642输入空间中的命题约束 643线性约束的监督学习 644扩散约束下的学习 65终身学习代理 651认知行为及时间流动 652能量平衡 653焦点关注、教学及主动学习 654发展学习 66注释 第7章结语 第8章练习答案 附录A有限维的约束优化 附录B正则算子 附录C变分计算 附录D符号索引 参考文献（在线） 可以访问华章图书官网http:www.hzbook.com，通过注册并登录个人账号下载。——编辑注 ---------------------------机器学习的数学理论--------------------------- 译者序 序言 致谢 前言 作者简介 第一部分 引言 第1章 绪论 1.1 神经网络 1.2 深度学习 1.3 梯度下降法 1.4 小结 1.5 本书结构 第2章 通用数学框架 2.1 机器学习与计算统计学 2.2 小结 第3章 优化理论简述 3.1 机器学习所需的优化理论 3.2 在线算法：机器学习的顺序更新 3.3 小结 第4章 改进的CoCoSSC方法 4.1 问题描述 4.2 梯度加速下降法 4.3 CoCoSSC方法 4.4 在线时变粘性网算法 4.5 小结 第5章 关键术语 5.1 一些定义 5.2 小结 第6章 关于非凸规划几何的相关研究 6.1 多元时间序列数据集 6.2 粒子学习 6.3 在气候变化中的应用 6.4 小结 第二部分 机器学习的数学框架：理论部分 第7章 收敛到最小值的梯度下降法：最优和自适应的步长规则 7.1 引言 7.2 符号与预备知识 7.3 最大允许步长 7.4 自适应步长规则 7.5 定理7.1的证明 7.6 定理7.2的证明 7.7 辅助定理 7.8 技术证明 7.9 小结 第8章 基于优化的守恒定律方法 8.1 准备：直观的解析演示 8.2 辛方法与算法 8.3 局部高速收敛现象的渐近分析 8.4 实验演示 8.5 小结与展望 第三部分 机器学习的数学框架：应用部分 第9章 含有噪声和缺失观测值的稀疏子空间聚类的样本复杂度的改进 9.1 CoCoSSC算法的主要结果 9.2 证明 9.3 数值结果 9.4 技术细节 9.5 小结 第10章 多元时间序列中稳定和分组因果关系的在线发现 10.1 问题表述 10.2 粘性网正则化 10.3 在线推理 10.4 实验验证 10.5 小结与展望 第11章 后记 参考文献 |
有问题微信扫码联系