机器学习算法导论
| 作者 |
| 王磊、王晓东 |
| 丛书名 |
| 出版社 |
| 清华大学出版社 |
| ISBN |
| 9787302524564 |
| 简要 |
| 简介 |
| 内容简介 机器学习是计算机智能围棋博弈系统、无人驾驶汽车和工业界人工智能助理等新兴技术的灵魂，特别是深度学习理论更是诸多高精尖人工智能技术的核心。掌握机器学习理论与实践技术是学习现代人工智能科学*重要的一步。 本书既讲述机器学习算法的理论分析，也结合具体应用介绍它们在Python中的实现及使用方法。本书的第2到第9章主要介绍监督式学习算法。其中包括：监督式学习算法基础、线性回归算法、机器学习中的搜索算法、Logistic回归算法、支持向量机算法、决策树、神经网络和深度学习。随后，在第10与11这两章，着重介绍无监督学习算法。其中包括：降维算法和聚类算法。第12章中讲述强化学习的相关知识。在本书的附录中还提供了学习本书必备的数学基础知识和Python语言与机器学习工具库基本知识。 与其他机器学习类书籍相比，本书同时包含机器学习的算法理论和算法实践。希望通过课程的学习,读者能够从机器学习的理论基础和实际应用两个层面全面掌握其核心技术，同时计算思维能力得到显著提高，对于整个课程讲述的机器学习算法核心知识，能够知其然且知其所以然。同时着力培养读者的计算思维能力，使他们在面临实际应用的挑战时，能够以算法的观点思考问题，并灵活应用数学概念来设计出高效安全的解决方案。 |
| 目录 |
第1章机器学习算法概述1 1.1什么是机器学习2 1.2机器学习的形式分类4 1.2.1监督式学习4 1.2.2无监督学习7 1.2.3强化学习8 1.3机器学习算法综览9 1.4有关术语的约定15 小结16 第2章监督式学习算法基础17 2.1监督式学习基本概念17 2.2经验损失最小化架构20 2.3监督式学习与经验损失最小化实例23 2.4正则化算法29 小结34 习题35 第3章线性回归算法38 3.1线性回归基本概念38 3.2线性回归优化算法43 3.3多项式回归49 3.4线性回归的正则化算法52 3.5线性回归的特征选择算法58 3.5.1逐步回归58 3.5.2分段回归63 小结66 习题66 第4章机器学习中的搜索算法70 4.1梯度下降算法与次梯度下降算法71 4.2随机梯度下降算法77 4.3牛顿迭代算法83 4.4坐标下降算法87 小结91 习题92 第5章Logistic回归算法94 5.1Logistic回归基本概念94 5.2Logistic回归优化算法100 5.3分类问题的度量107 5.3.1准确率107 5.3.2精确率与召回率108 5.3.3ROC曲线及AUC度量112 5.4Softmax回归115 5.4.1Softmax回归基本概念115 5.4.2Softmax回归优化算法116 5.4.3Softmax模型与指数分布族121 小结123 习题123 第6章支持向量机算法126 6.1支持向量机基本概念126 6.1.1支持向量机思想起源127 6.1.2支持向量机的凸优化描述129 6.1.3支持向量机的对偶132 6.2支持向量机优化算法133 6.3核方法140 6.4软间隔支持向量机1476.4.1软间隔支持向量机基本概念147 6.4.2软间隔支持向量机优化算法149 6.4.3Hinge损失与软间隔支持向量机152 小结153 习题154 第7章决策树158 7.1决策树的基本概念158 7.2决策树优化算法166 7.2.1决策树回归问题的CART算法166 7.2.2决策树分类问题的CART算法168 7.3CART算法实现及应用171 7.3.1决策树CART算法基类171 7.3.2决策树回归问题的CART算法的实现及应用175 7.3.3决策树分类问题的CART算法的实现及应用178 7.4集成学习算法180 7.4.1随机森林分类算法181 7.4.2随机森林回归算法187 7.5梯度提升决策树回归算法189 小结192 习题193 第8章神经网络197 8.1神经网络基本概念197 8.1.1神经网络模型197 8.1.2神经网络算法描述202 8.2神经网络优化算法204 8.3神经网络算法实现208 8.4神经网络的TensorFlow实现216 小结218 习题218 第9章深度学习222 9.1卷积神经网络2229.1.1滤镜224 9.1.2卷积层226 9.1.3卷积神经网络的实现230 9.2循环神经网络237 9.2.1循环神经网络基本概念238 9.2.2循环神经网络的实现241 9.2.3时间反向传播算法245 9.2.4长短时记忆基本概念246 9.2.5长短时记忆的实现249 小结250 习题251 第10章降维算法256 10.1主成分分析法256 10.1.1算法思想256 10.1.2算法实现261 10.1.3奇异值分解263 10.2主成分分析的核方法265 10.2.1主成分分析法的等价形式265 10.2.2核方法算法描述266 10.2.3核方法算法实现268 10.3线性判别分析法271 10.3.1算法思想271 10.3.2算法实现273 10.4流形降维算法275 10.4.1局部线性嵌入法276 10.4.2多维缩放法280 10.5自动编码器284 小结287 习题288 第11章聚类算法293 11.1k均值算法293 11.2合并聚类算法29811.3DBSCAN算法304 小结309 习题310 第12章强化学习313 12.1强化学习基本概念314 12.1.1马尔可夫环境模型314 12.1.2策略316 12.2动态规划型算法318 12.2.1值迭代算法319 12.2.2策略迭代算法323 12.3时序差分型算法327 12.4深度Q神经网络335 12.5策略梯度型算法341 12.5.1REINFORCE算法342 12.5.2ActorCritic算法345 小结348 习题349 附录A机器学习数学基础352 A.1线性代数352 A.2微积分357 A.3优化理论361 A.3.1凸函数的定义及判定361 A.3.2无约束凸优化问题362 A.3.3带约束凸优化问题364 A.4概率论简介366 附录BPython语言与机器学习工具库370 B.1Python语言基础370 B.2SciPy工具库374 B.2.1NumPy简介374 B.2.2Matplotlib简介378B.2.3Pandas简介379 B.3Sklearn简介380 B.4TensorFlow简介383 附录C本书使用的数据集387 参考文献388 |
有问题微信扫码联系