[
-
内容大纲
本书系统地讲解了机器学习的理论与方法，内容主要包括EM算法和高斯混合模型、主题模型、采样与非参数贝叶斯方法、聚类分析、支持向量机、概率无向图模型、概率有向图模型、矩阵与张量分解、多层感知机与卷积神经网络、序列神经网络，以及强化学习。本书旨在使读者了解机器学习的发展过程，理解和掌握机器学习的基本原理、方法与主要应用。本书内容丰富，着重于讲解机器学习理论的推导与证明，并通过实例进行方法分析与比较；本书强调机器学习的系统性、完整性、方法的时效性，可读性强；同时，作为新形态教材，本书配备了大量的数字化资源，可以实现线上线下学习的无缝衔接。
本书既可以作为国内各高等学校、科研院所本科生、研究生的教材，也可供国内外从事机器学习研究和工程应用的人员使用。 -
作者介绍
-
目录
前言
第1章 绪论
1.1 机器学习的定义
1.2 机器学习的发展历史
1.3 机器学习的分类
1.3.1 基于学习系统的反馈分类
1.3.2 基于所获取知识的表示形式分类
1.3.3 基于应用领域分类
1.3.4 综合分类
1.4 性能度量
1.4.1 数据集
1.4.2 误差
1.4.3 过拟合与欠拟合
1.4.4 评估方法
1.4.5 性能度量
本章小结
习题
参考文献
第2章 EM算法和高斯混合模型
2.1 EM算法
2.1.1 极大似然估计
2.1.2 EM算法的引入
2.1.3 EM算法的推导
2.1.4 EM算法的步骤
2.1.5 EM算法的收敛性
2.2 高斯混合模型
2.2.1 单高斯模型
2.2.2 高斯混合模型
2.2.3 GMM参数估计
本章小结
习题
参考文献
第3章 主题模型
3.1 传统的主题模型
3.1.1 VSM
3.1.2 LSI模型
3.2 概率主题模型
3.2.1 LDA主题模型
3.2.2 HDP-LDA主题模型
3.3 具有Zipf定律性质的主题模型
3.3.1 PY过程
3.3.2 PHTM主题模型
3.4 PHTM推理算法
本章小结
习题
参考文献
第4章 采样与非参数贝叶斯方法
4.1 单个随机变量采样
4.1.1 通过逆累积分布函数采样
4.1.2 拒绝采样（Rejection Sampling）
4.1.3 重要性采样（Importance Sampling）
4.2 序列随机变量采样与马尔可夫链蒙特卡罗
4.2.1 MH算法
4.2.2 吉布斯采样
4.2.3 切片采样（Slice Sampling）
4.3 非参数贝叶斯与狄利克雷过程
4.3.1 非参数贝叶斯
4.3.2 狄利克雷过程
4.4 狄利克雷过程的构造方式
4.4.1 波利亚坛子过程
4.4.2 折棍子过程
4.4.3 中国餐馆过程
本章小结
习题
参考文献
第5章 聚类分析
5.1 数据相似性度量
5.2 经典聚类算法
5.2.1 划分方法
5.2.2 层次聚类
5.2.3 基于密度的聚类
5.2.4 基于网格的方法
5.2.5 基于模型的方法
5.3 k-means、k中心点方法及其改进方法
5.3.1 k-means
5.3.2 k中心点
5.3.3 核k-means
5.3.4 EM聚类
5.3.5 基于随机搜索应用于大型应用的聚类算法CLARANS
5.4 谱聚类
5.4.1 相似图
5.4.2 拉普拉斯矩阵
5.4.3 谱聚类算法
5.5 基于约束的聚类
5.5.1 含有障碍物的对象聚类
5.5.2 用户约束的聚类分析
5.5.3 半监督聚类分析
5.6 在线聚类
5.7 聚类与降维
本章小结
习题
参考文献
第6章 支持向量机
6.1 统计学习理论
6.1.1 经验风险最小化
6.1.2 VC维
6.1.3 结构风险最小化
6.2 支持向量机的基本原理
6.3 支持向量机分类器
6.3.1 线性支持向量机分类器
6.3.2 非线性可分的支持向量机分类器
6.3.3 一类分类
6.3.4 多类分类
6.4 核函数
6.4.1 核函数的定义
6.4.2 核函数的构造
6.4.3 几种常用的核函数
6.5 支持向量回归机
6.6 支持向量机的应用实例
6.6.1 图像分类
6.6.2 其他应用
本章小结
习题
参考文献
第7章 概率无向图模型
7.1 概率无向图模型
7.2 对数线性模型
7.2.1 逻辑斯蒂回归模型
7.2.2 最大熵模型
7.2.3 马尔可夫随机场
7.3 条件随机场
7.3.1 模型
7.3.2 条件随机场的关键问题
本章小结
习题
参考文献
第8章 概率有向图模型
8.1 概率有向图模型
8.2 贝叶斯网络
8.2.1 贝叶斯定理
8.2.2 有向分离
8.2.3 贝叶斯网络构造
8.2.4 贝叶斯网络学习
8.3 隐马尔可夫模型
8.3.1 隐马尔可夫模型描述
8.3.2 隐马尔可夫模型的三个基本问题
本章小结
习题
参考文献
第9章 矩阵与张量分解
9.1 等值与低秩矩阵分解
9.2 非负矩阵分解
9.3 矩阵分解与推荐系统
9.4 张量分解
9.5 非负张量分解
本章小结
习题
参考文献
第10章 多层感知机与卷积神经网络
10.1 感知机
10.2 多层感知机
10.2.1 误差反传算法
10.2.2 多层感知机的优势和局限性
10.2.3 误差反传算法的改进
10.3 卷积神经网络
10.3.1 卷积神经网络的生物学基础
10.3.2 卷积的基本操作
10.3.3 典型卷积神经网络
10.3.4 卷积神经网络的训练技巧
本章小结
习题
参考文献
第11章 序列神经网络
11.1 循环神经网络结构
11.2 循环神经网络的训练
11.2.1 损失函数
11.2.2 时间反向传播算法
11.2.3 梯度消失与梯度爆炸
11.3 双向循环神经网络与深度循环神经网络
11.4 长短期记忆网络
11.4.1 LSTM记忆单元
11.4.2 LSTM记忆方式
11.5 门控循环单元
11.6 Transformer
11.6.1 Transformer模型架构
11.6.2 多头自注意力机制
11.6.3 前馈神经网络
11.6.4 位置编码
本章小结
习题
参考文献
第12章 强化学习
12.1 强化学习模型及基本要素
12.1.1 强化学习模型
12.1.2 强化学习基本要素
12.2 马尔可夫决策过程
12.2.1 马尔可夫过程
12.2.2 马尔可夫决策过程
12.3 部分可观测的马尔可夫决策过程
12.4 模型已知的强化学习
12.4.1 线性规划
12.4.2 策略迭代
12.4.3 值迭代
12.4.4 广义策略迭代
12.5 模型未知的强化学习
12.5.1 蒙特卡罗方法
12.5.2 时间差分法
12.5.3 Q学习与SARSA学习
12.5.4 Actor-Critic学习
12.6 基于逼近方法的强化学习
12.6.1 值函数逼近的TD学习
12.6.2 近似值迭代方法
12.6.3 近似策略迭代
12.7 深度强化学习
12.7.1 深度Q学习（Deep Q-learning）
12.7.2 深度双Q学习
12.7.3 异步深度Q学习
12.8 其他深度强化学习
本章小结
习题
参考文献
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...