| 作者 |
| [美] 杰瑞米·瓦特(Jeremy Watt) 雷萨·博哈尼(Reza Borhani) 阿格洛斯·K.卡萨格罗斯(Aggelos K. Katsaggelos)[新西兰] 史蒂芬&#8226 马斯兰(Stephen Marsland) |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787190410101 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------机器学习:算法视角(原书第2版)--------------------------- 机器学习融合了计算机科学、统计学、数学、工程学等多个学科,应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题,聚焦于机器学习中的算法,清晰呈现算法背后的数学和统计学知识,同时提供必要的编程技巧和实验方法。 书中全面涵盖各类算法,如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新,以反映机器学习的新发展,新增了两个章节来讨论深度置信网络和高斯过程,此外,还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。 本书的代码示例采用Python语言编写,所有代码均可从stephenmonika.net免费下载。 ---------------------------机器学习精讲:基础、算法及应用--------------------------- 本书为了解机器学习提供了一种独特的途径。书中包含了新颖、直观而又严谨的基本概念描述,它们是研究课题、制造产品、修补漏洞以及实践不可或缺的部分。本书按照几何直觉、算法思想和实际应用(纵贯计算机视觉、自然语言处理、经济学、神经科学、推荐系统、物理学和生物学等学科)的顺序,为读者提供了深入浅出的基础知识和解决实际问题所需的实用工具。本书还包含了基于Python和MATLAB/OCTAVE语言的深入习题,以及对数值优化前沿技术的全面讲解。本书可为机器学习、计算机科学、电子工程、信号处理以及数值优化等领域的学生提供重要的学习资源,也可为这些领域的研究人员和从业者提供理想的参考资料。 |
| 目录 |
---------------------------机器学习:算法视角(原书第2版)--------------------------- Machine Learning: An Algorithmic Perspective, Second Edition 第2版前言 第1版前言 第1章 绪论1 1.1 如果数据有质量,地球将成为黑洞1 1.2 学习3 1.2.1 机器学习3 1.3 机器学习的类别4 1.4 监督学习5 1.4.1 回归5 1.4.2 分类6 1.5 机器学习过程7 1.6 关于编程的注意事项8 1.7 本书的学习路线 9 拓展阅读10 第2章 预备知识11 2.1 专业术语11 2.1.1 权重空间11 2.1.2 维度灾难12 2.2 知你所知:测试机器学习算法13 2.2.1 过拟合14 2.2.2 训练集、测试集和验证集14 2.2.3 混淆矩阵15 2.2.4 精度指标16 2.2.5 受试者工作特征曲线17 2.2.6 不平衡数据集17 2.2.7 度量精度18 2.3 数据与概率的转换19 2.3.1 最小化风险20 2.3.2 朴素贝叶斯分类21 2.4 基本统计概念22 2.4.1 平均值22 2.4.2 方差与协方差22 2.4.3 高斯分布24 2.5 权衡偏差与方差24 拓展阅读26 习题26 第3章 神经元、神经网络和线性判别27 3.1 大脑和神经元27 3.1.1 Hebb法则27 3.1.2 McCulloch和Pitts神经元28 3.1.3 McCulloch和Pitts神经元模型的局限性29 3.2 神经网络30 3.3 感知器31 3.3.1 学习速率η32 3.3.2 输入偏置32 3.3.3 感知器学习算法33 3.3.4 感知器学习示例34 3.3.5 具体实现35 3.4 线性可分性39 3.4.1 感知器收敛定理40 3.4.2 XOR函数41 3.4.3 有用的领悟42 3.4.4 另一个示例:皮马印第安人数据集43 3.4.5 数据预处理44 3.5 线性回归45 3.5.1 示例46 拓展阅读47 习题48 第4章 多层感知器49 4.1 前向50 4.1.1 偏置50 4.2 后向:误差的反向传播50 4.2.1 多层感知器算法53 4.2.2 初始化权重55 4.2.3 不同的输出激活函数56 4.2.4 顺序和批量训练57 4.2.5 局部最小57 4.2.6 利用冲量58 4.2.7 小批量和随机梯度下降58 4.2.8 其他改善方法59 4.3 实践中的MLP59 4.3.1 训练数据的量59 4.3.2 隐藏层的数目59 4.3.3 什么时候停止学习60 4.4 MLP应用示例61 4.4.1 回归问题61 4.4.2 使用MLP分类63 4.4.3 分类示例:iris数据集64 4.4.4 时间序列预测66 4.4.5 数据压缩:自动关联网络68 4.5 MLP使用指南69 4.6 反向传播的推导70 4.6.1 网络输出70 4.6.2 网络误差70 4.6.3 激活函数的要求71 4.6.4 误差的后向传播72 4.6.5 输出激活函数74 4.6.6 误差函数的另一种形式75 拓展阅读75 习题76 第5章 径向基函数和样条函数77 5.1 感受野77 5.2 径向基函数网络79 5.2.1 训练RBF网络80 5.3 插值和基函数82 5.3.1 基和基扩展83 5.3.2 三次样条函数84 5.3.3 用样条拟合数据84 5.3.4 平滑样条85 5.3.5 更高维度86 5.3.6 边界之外86 拓展阅读87 习题87 第6章 维度约简88 6.1 线性判别分析89 6.2 主成分分析91 6.2.1 PCA算法与多层感知器的关系94 6.2.2 核PCA94 6.3 因素分析96 6.4 独立成分分析97 6.5 局部线性嵌入98 6.6 ISOMAP算法100 6.6.1 多维标度法101 拓展阅读102 习题103 第7章 概率学习104 7.1 高斯混合模型104 7.1.1 期望最大化算法105 7.1.2 信息准则107 7.2 最近邻法108 7.2.1 近邻平滑109 7.2.2 有效的距离计算:KD-Tree110 7.2.3 距离度量112 拓展阅读114 习题114 第8章 支持向量机115 8.1 最优分割115 8.1.1 间隔和支持向量116 8.1.2 约束优化问题117 8.1.3 非线性可分问题的松弛变量119 8.2 核120 8.2.1 选择核121 8.2.2 示例:XOR122 8.3 支持向量机算法122 8.3.1 实现123 8.3.2 示例125 8.4 支持向量机的拓展126 8.4.1 多类分类126 8.4.2 支持向量机回归127 8.4.3 其他优势128 拓展阅读128 习题128 第9章 优化和搜索130 9.1 下山法130 9.1.1 泰勒展开132 9.2 最小二乘优化133 9.2.1 Levenberg-Marquardt算法133 9.3 共轭梯度法137 9.3.1 示例139 9.3.2 共轭梯度和MLP139 9.4 搜索:三种基本方法141 9.4.1 穷举法141 9.4.2 贪婪搜索142 9.4.3 爬山法142 9.5 开发和探索143 9.6 模拟退火法143 9.6.1 算法比较144 拓展阅读145 习题145 第10章 进化学习146 10.1 遗传算法147 10.1.1 字符串表示147 10.1.2 评价适应度148 10.1.3 种群148 10.1.4 产生后代:选择父母149 10.2 产生后代:遗传算子150 10.2.1 交叉150 10.2.2 变异151 10.2.3 精英法、比赛法和小生境151 10.3 使用遗传算法153 10.3.1 图着色153 10.3.2 间断平衡154 10.3.3 示例:背包问题155 10.3.4 示例:四峰问题155 10.3.5 遗传算法的缺陷156 10.3.6 用遗传算法训练神经网络156 10.4 遗传程序157 10.5 与采样结合的进化学习158 拓展阅读159 习题160 第11章 强化学习161 11.1 概述161 11.2 示例:迷路162 11.2.1 状态和动作空间163 11.2.2 胡萝卜和棍子:奖赏函数164 11.2.3 折扣165 11.2.4 动作选择165 11.2.5 策略166 11.3 马尔可夫决策过程166 11.3.1 马尔可夫性166 11.3.2 马尔可夫决策过程中的概率167 11.4 值167 11.5 回到迷路的示例:利用强化学习170 11.6 sarsa和Q-learning的不同171 11.7 强化学习的用处172 拓展阅读172 习题173 第12章 树的学习174 12.1 使用决策树174 12.2 构建决策树175 12.2.1 快速入门:信息论中的熵175 12.2.2 ID3176 12.2.3 基于Python的树和图的实现178 12.2.4 决策树的实现178 12.2.5 处理连续变量180 12.2.6 计算复杂度180 12.3 分类和回归树181 12.3.1 基尼不纯度181 12.3.2 树回归182 12.4 分类示例182 拓展阅读184 习题184 第13章 委员会决策:集成学习186 13.1 boosting187 13.1.1 AdaBoost187 13.1.2 掘根190 13.2 bagging190 13.2.1 subagging191 13.3 随机森林192 13.3.1 与boosting方法比较193 13.4 组合分类器的不同方法194 拓展阅读195 习题196 第14章 无监督学习197 14.1 k-means算法197 14.1.1 处理噪点200 14.1.2 k-means神经网络200 14.1.3 归一化201 14.1.4 一个更好的权重更新规则202 14.1.5 示例:iris数据203 14.1.6 使用竞争学习来聚类203 14.2 向量量化204 14.3 自组织特征映射204 14.3.1 SOM算法206 14.3.2 近邻连接207 14.3.3 自组织208 14.3.4 网络维度和边界条件208 14.3.5 SOM应用示例209 拓展阅读211 习题211 第15章 马尔可夫链蒙特卡罗方法213 15.1 采样213 15.1.1 随机数213 15.1.2 高斯随机数214 15.2 蒙特卡罗216 15.3 建议分布216 15.4 马尔可夫链蒙特卡罗219 15.4.1 马尔可夫链219 15.4.2 Metropolis-Hastings算法220 15.4.3 模拟退火222 15.4.4 Gibbs采样223 拓展阅读224 习题225 第16章 图模型226 16.1 贝叶斯网络227 16.1.1 示例:考试恐惧227 16.1.2 近似推断230 16.1.3 创建贝叶斯网络232 16.2 马尔可夫随机场233 16.3 隐马尔可夫模型234 16.3.1 前向算法236 16.3.2 Viterbi算法238 16.3.3 Baum-Welch或前向后向算法239 16.4 跟踪方法242 16.4.1 卡尔曼滤波242 16.4.2 粒子滤波247 拓展阅读249 习题250 第17章 对称权重与深度置信网络251 17.1 积极学习:Hopfield网络252 17.1.1 联想记忆252 17.1.2 实现联想记忆252 17.1.3 能量函数255 17.1.4 Hopfield网络的容量256 17.1.5 连续Hopfield网络257 17.2 随机神经元:玻尔兹曼机257 17.2.1 受限玻尔兹曼机259 17.2.2 CD算法的推导262 17.2.3 监督学习265 17.2.4 RBM作为定向置信网络267 17.3 深度学习268 17.3.1 深度置信网络270 拓展阅读273 习题273 第18章 高斯过程274 18.1 高斯过程回归275 18.1.1 添加噪声276 18.1.2 高斯过程回归的实现(一)278 18.1.3 学习参数279 18.1.4 高斯过程回归的实现(二)280 18.1.5 选择(一组)协方差函数282 18.2 高斯过程分类282 18.2.1 拉普拉斯近似283 18.2.2 计算后验283 18.2.3 高斯过程分类的实现285 拓展阅读286 习题287 附录 Python入门288 ---------------------------机器学习精讲:基础、算法及应用--------------------------- 译者序 前言 第1章引言 11教计算机区分猫和狗 12预测学习问题 121回归 122分类 13特征设计 14数值优化 15小结 第一部分基本工具及概念 第2章数值优化基础 21微积分定义的最优性 211泰勒级数逼近 212最优性的一阶条件 213凸性的便利 22优化数值方法 221概览 222停止条件 223梯度下降 224牛顿法 23小结 24习题 第3章回归 31线性回归基础 311符号和建模 312用于线性回归的最小二乘代价函数 313最小二乘代价函数的最小化 314所学模型的效力 315预测新输入数据的值 32知识驱动的回归特征设计 33非线性回归和l2正则化 331逻辑回归 332非凸代价函数和l2正则化 34小结 35习题 第4章分类 41感知机代价函数 411基本感知机模型 412softmax代价函数 413间隔感知机 414间隔感知机的可微近似 415所学分类器的精度 416预测新输入数据的标签 417哪个代价函数会产生最好的结果 418感知机和计数代价的关联 42逻辑回归视角下的softmax代价 421阶梯函数和分类 422凸逻辑回归 43支持向量机视角下的间隔感知机 431寻找最大间隔超平面 432硬间隔支持向量机问题 433软间隔支持向量机问题 434支持向量机和逻辑回归 44多分类 441一对多的多分类 442多分类softmax分类 443所学多分类器的精度 444哪种多分类方法表现最好 45面向分类的知识驱动特征设计 46面向真实数据类型的直方图特征 461文本数据的直方图特征 462图像数据的直方图特征 463音频数据的直方图特征 47小结 48习题 第二部分完全数据驱动的机器学习工具 第5章回归的自动特征设计 51理想回归场景中的自动特征设计 511向量逼近 512从向量到连续函数 513连续函数逼近 514连续函数逼近的常见基 515获取权重 516神经网络的图表示 52真实回归场景中的自动特征设计 521离散化的连续函数逼近 522真实回归场景 53回归交叉验证 531诊断过拟合与欠拟合问题 532留出交叉验证 533留出交叉验证的计算 534k折交叉验证 54哪个基最好 541理解数据背后的现象 542实践方面的考虑 543什么时候可任意选择基 55小结 56习题 57关于连续函数逼近的注释 第6章分类中的自动特征设计 61理想分类场景中的自动特征设计 611分段连续函数逼近 612指示函数的形式化定义 613指示函数逼近 614获取权重 62真实分类场景中的自动特征设计 621离散化的指示函数逼近 622真实的分类场景 623分类器精度和边界定义 63多分类 631一对多的多分类 632多分类softmax分类 64分类交叉验证 641留出交叉验证 642留出交叉验证的计算 643k折交叉验证 644一对多多分类的k折交叉验证 65哪个基最好 66小结 67习题 第7章核、反向传播和正则化交叉验证 71固定特征核 711线性代数基本定理 712核化代价函数 713核化的价值 714核的例子 715核作为相似矩阵 72反向传播算法 721计算两层网络代价函数的梯度 722计算三层神经网络的梯度 723动量梯度下降 73l2正则化交叉验证 731l2正则化和交叉验证 732回归的k折正则化交叉验证 733分类的正则化交叉验证 74小结 75更多的核计算 751核化不同的代价函数 752傅里叶核——标量输入 753傅里叶核——向量输入 第三部分大规模数据机器学习方法 第8章高级梯度算法 81梯度下降法的固定步长规则 811梯度下降法和简单的二次代理 812有界曲率函数和最优保守步长规则 813如何使用保守固定步长规则 82梯度下降的自适应步长规则 821回溯线性搜索的自适应步长规则 822如何使用自适应步长规则 83随机梯度下降 831梯度分解 832随机梯度下降迭代 833随机梯度下降的价值 834随机梯度下降的步长规则 835在实践中如何使用随机梯度下降法 84梯度下降方案的收敛性证明 841利普希茨常数固定步长梯度下降的收敛性 842回溯线性搜索梯度下降的收敛性 843随机梯度法的收敛性 844面向凸函数的固定步长梯度下降的收敛速度 85计算利普希茨常数 86小结 87习题 第9章降维技术 91数据的降维技术 911随机子采样 912K均值聚类 913K均值问题的优化 92主成分分析 93推荐系统 931矩阵填充模型 932矩阵填充模型的优化 94小结 95习题 第四部分附录 附录A基本的向量和矩阵运算 附录B向量微积分基础 附录C基本的矩阵分解及伪逆 附录D凸几何 参考文献 索引 |