[套装书]机器学习：基于约束的方法+机器学习理论导引（2册）
| 作者 |
| 马可·戈里 周志华 王魏 高尉 张利军 |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782008179450 |
| 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。 ---------------------------机器学习理论导引--------------------------- 本书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界。 除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。 |
| 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 ---------------------------机器学习理论导引--------------------------- 前言 主要符号表 第1章 预备知识 …………………………… 1 1.1 函数的性质 …………………………… 1 1.2 重要不等式 …………………………… 5 1.3 最优化基础 …………………………… 9 1.4 支持向量机 …………………………… 13 1.5 理论的作用 …………………………… 18 1.6 阅读材料 …………………………… 19 习题 …………………………… 21 参考文献 …………………………… 22 第2章 可学性 …………………………… 25 2.1 基本概念 ……………………………25 2.2 PAC学习 …………………………… 26 2.3 分析实例 …………………………… 30 2.4 阅读材料 …………………………… 35 习题 …………………………… 36 参考文献 …………………………… 37 第3章 复杂度 ……………………………39 3.1 数据分布无关 …………………………… 39 3.2 数据分布相关 …………………………… 46 3.3 分析实例 …………………………… 50 3.4 阅读材料 ……………………………56 习题 ..…………………………… 58 参考文献 …………………………… 59 第4章 泛化界 …………………………… 61 4.1 泛化误差上界 …………………………… 61 4.2 泛化误差下界 …………………………… 71 4.3 分析实例 …………………………… 78 4.4 阅读材料 …………………………… 83 习题 …………………………… 84 参考文献 …………………………… 86 第5章 稳定性 …………………………… 89 5.1 基本概念 …………………………… 89 5.2 重要性质 …………………………… 92 5.3 分析实例 …………………………… 98 5.4 阅读材料 …………………………… 107 习题 …………………………… 108 参考文献 …………………………… 110 第6章 一致性 …………………………… 113 6.1 基本概念 …………………………… 113 6.2 替代函数 …………………………… 117 6.3 划分机制 …………………………… 122 6.4 分析实例 …………………………… 125 6.5 阅读材料 …………………………… 132 习题 …………………………… 134 参考文献 …………………………… 135 第7章 收敛率 …………………………… 137 7.1 基本概念 …………………………… 137 7.2 确定优化 …………………………… 139 7.3 随机优化 …………………………… 143 7.4 分析实例 ……………………………155 7.5 阅读材料 …………………………… 157 习题 …………………………… 159 参考文献 …………………………… 161 第8章 遗憾界 …………………………… 163 8.1 基本概念 …………………………… 163 8.2 完全信息在线学习 …………………………… 165 8.3 赌博机在线学习 …………………………….170 8.4 分析实例 ……………………………184 8.5 阅读材料 …………………………… 188 习题 …………………………… 189 参考文献 …………………………… 191 索引 …………………………… 193 |
有问题微信扫码联系