快乐机器学习
| 作者 |
| 王圣元 |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121375903 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 学习并精通任何一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？机器学习也不例外，《快乐机器学习》就以这四个步骤来介绍机器学习。《快乐机器学习》第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。第3章介绍“机器学习怎么学”，即介绍机器如何选择出*模型。作者在这3章的写作上花费的时间*多，光这3章的内容就*会让读者有所收获。第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。第15 章介绍机器学习中的一些非常实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。《快乐机器学习》非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。 |
| 目录 |
第1章 机器学习是什么——机器学习定义\t1 引言\t2 1.1 数据\t5 1.1.1 结构型与非结构型数据\t5 1.1.2 原始数据与加工\t7 1.1.3 样本内数据与样本外数据\t9 1.2 机器学习类别\t9 1.2.1 有监督学习\t10 1.2.2 无监督学习\t10 1.2.3 半监督学习\t11 1.2.4 增强学习\t11 1.2.5 深度学习\t11 1.2.6 迁移学习\t12 1.3 性能度量\t12 1.3.1 误差函数\t13 1.3.2 回归度量\t14 1.3.3 分类度量\t15 1.4 总结\t19 参考资料\t20 第2章 机器学习可行吗——计算学习理论\t22 引言\t23 2.1 基础知识\t25 2.1.1 二分类\t25 2.1.2 对分\t26 2.1.3 增长函数\t29 2.1.4 突破点\t30 2.2 核心推导\t31 2.2.1 机器学习可行条件\t31 2.2.2 从已知推未知\t33 2.2.3 从民意调查到机器学习\t35 2.2.4 从单一到有限\t36 2.2.5 从有限到无限\t37 2.2.6 从无限到有限\t38 2.3 结论应用\t39 2.3.1 VC 不等式\t39 2.3.2 VC 维度\t40 2.3.3 模型复杂度\t40 2.3.4 样本复杂度\t41 2.4 总结\t42 参考资料\t43 技术附录\t43 第3章 机器学习怎么学——模型评估选择\t47 引言\t48 3.1 模型评估\t52 3.2 训练误差和测试误差\t52 3.2.1 训练误差\t52 3.2.2 真实误差\t54 3.2.3 测试误差\t57 3.2.4 学习理论\t57 3.3 验证误差和交叉验证误差\t60 3.3.1 验证误差\t60 3.3.2 交叉验证误差\t61 3.3.3 学习理论\t62 3.4 误差剖析\t64 3.4.1 误差来源\t64 3.4.2 偏差—方差权衡\t66 3.5 模型选择\t67 3.6 总结\t70 参考资料\t71 技术附录\t71 第4章 线性回归\t73 引言\t74 4.1 基础知识\t75 4.1.1 标量微积分\t75 4.1.2 向量微积分\t76 4.2 模型介绍\t77 4.2.1 核心问题\t77 4.2.2 通用线性回归模型\t83 4.2.3 特征缩放\t84 4.2.4 学习率设定\t86 4.2.5 数值算法比较\t87 4.2.6 代码实现\t89 4.3 总结\t90 参考资料\t90 第5章 对率回归\t92 引言\t93 5.1 基础内容\t94 5.1.1 联系函数\t94 5.1.2 函数绘图\t95 5.2 模型介绍\t96 5.2.1 核心问题\t96 5.2.2 查准和查全\t102 5.2.3 类别不平衡\t104 5.2.4 线性不可分\t105 5.2.5 多分类问题\t106 5.2.6 代码实现\t109 5.3 总结\t110 参考资料\t111 第6章 正则化回归\t112 引言\t113 6.1 基础知识\t114 6.1.1 等值线图\t114 6.1.2 坐标下降\t116 6.2 模型介绍\t116 6.2.1 核心问题\t116 6.2.2 模型对比\t122 6.2.3 最佳模型\t125 6.2.4 代码实现\t126 6.3 总结\t126 参考资料\t127 第7章 支持向量机\t128 引言\t129 7.1 基础知识\t133 7.1.1 向量初体验\t133 7.1.2 拉格朗日量\t136 7.1.3 原始和对偶\t137 7.2 模型介绍\t138 7.2.1 硬间隔 SVM 原始问题\t138 7.2.2 硬间隔 SVM 对偶问题\t144 7.2.3 软间隔 SVM 原始问题\t148 7.2.4 软间隔 SVM 对偶问题\t150 7.2.5 空间转换\t151 7.2.6 核技巧\t155 7.2.7 核 SVM\t158 7.2.8 SMO 算法\t159 7.2.9 模型选择\t161 7.3 总结\t162 参考资料\t164 技术附录\t164 第8章 朴素贝叶斯\t170 引言\t171 8.1 基础知识\t174 8.1.1 两种概率学派\t174 8.1.2 两种独立类别\t174 8.1.3 两种学习算法\t175 8.1.4 两种估计方法\t176 8.1.5 两类概率分布\t177 8.2 模型介绍\t179 8.2.1 问题剖析\t179 8.2.2 朴素贝叶斯算法\t182 8.2.3 多元伯努利模型\t183 8.2.4 多项事件模型\t184 8.2.5 高斯判别分析模型\t184 8.2.6 多分类问题\t186 8.2.7 拉普拉斯校正\t187 8.2.8 最大似然估计和最大后验估计\t188 8.3 总结\t190 参考资料\t191 技术附录\t191 第9章 决策树\t195 引言\t196 9.1 基础知识\t198 9.1.1 多数规则\t198 9.1.2 熵和条件熵\t198 9.1.3 信息增益和信息增益比\t200 9.1.4 基尼指数\t201 9.2 模型介绍\t201 9.2.1 二分类决策树\t201 9.2.2 多分类决策树\t209 9.2.3 连续值分裂\t210 9.2.4 欠拟合和过拟合\t211 9.2.5 预修剪和后修剪\t212 9.2.6 数据缺失\t215 9.2.7 代码实现\t218 9.3 总结\t219 参考资料\t219 第10章 人工神经网络\t220 引言\t221 10.1 基本知识\t223 10.1.1 转换函数\t223 10.1.2 单输入单层单输出神经网络\t224 10.1.3 多输入单层单输出神经网络\t224 10.1.4 多输入单层多输出神经网络\t225 10.1.5 多输入多层多输出神经网络\t225 10.2 模型应用\t227 10.2.1 创建神经网络模型\t227 10.2.2 回归应用\t230 10.2.3 分类应用\t238 第11章 正向/反向传播\t246 引言\t247 11.1 基础知识\t250 11.1.1 神经网络元素\t250 11.1.2 链式法则\t254 11.2 算法介绍\t254 11.2.1 正向传播\t254 11.2.2 梯度下降\t257 11.2.3 反向传播\t258 11.2.4 代码实现\t262 11.3 总结\t268 参考资料\t268 技术附录\t269 第12章 集成学习\t272 引言\t273 12.1 结合假设\t277 12.1.1 语文和数学\t277 12.1.2 准确和多样\t278 12.1.3 独裁和民主\t279 12.1.4 学习并结合\t279 12.2 装袋法\t280 12.2.1 基本概念\t280 12.2.2 自助采样\t280 12.2.3 结合假设\t281 12.3 提升法\t282 12.3.1 基本概念\t282 12.3.2 最优加权\t283 12.3.3 结合假设\t285 12.4 集成方式\t286 12.4.1 同质学习器\t286 12.4.2 异质学习器\t286 12.5 总结\t288 参考资料\t288 第13章 随机森林和提升树\t289 引言\t290 13.1 基础知识\t293 13.1.1 分类回归树\t293 13.1.2 前向分布算法\t294 13.1.3 置换检验\t295 13.2 模型介绍\t296 13.2.1 随机森林\t296 13.2.2 提升树\t302 13.2.3 代码实现\t306 13.3 总结\t307 参考资料\t307 第14章 极度梯度提升\t309 引言\t310 14.1 基础知识\t311 14.1.1 树的重定义\t311 14.1.2 树的复杂度\t313 14.2 模型介绍\t313 14.2.1 XGB 简介\t313 14.2.2 XGB 的泛化度\t314 14.2.3 XGB 的精确度\t315 14.2.4 XGB 的速度\t318 14.2.5 代码实现\t324 14.3 总结\t325 参考资料\t326 第15章 本书总结\t327 15.1 正交策略\t328 15.2 单值评估指标\t330 15.3 偏差和方差\t332 15.3.1 理论定义\t332 15.3.2 实用定义\t334 15.3.3 最优误差\t335 15.3.4 两者权衡\t336 15.3.5 学习曲线\t336 结语\t339 |
有问题微信扫码联系