请选择 进入手机版 | 继续访问电脑版

热点推荐

查看: 208|回复: 1

机器学习_周志华

[复制链接]
  • TA的每日心情
    无聊
    2019-1-5 10:01
  • 签到天数: 33 天

    [LV.5]常住居民I

    2090

    主题

    1481

    帖子

    8076

    积分

    管理员

    Rank: 9Rank: 9Rank: 9

    积分
    8076
    发表于 2019-1-2 20:23:59 | 显示全部楼层 |阅读模式

    机器学习  豆瓣 .png
    内容简介  · · · · · ·

    机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介.

    全书共16 章,大致分为3 个部分:第1 部分(第1~3 章)介绍机器学习的基础知识;第2 部分(第4~10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分(第11~16 章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书.

    书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考.

    本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。





    作者简介  · · · · · ·

    周志华,南京大学教授,计算机科学与技术系副主任,软件新技术国家重点实验室常务副主任,机器学习与数据挖掘研究所(LAMDA)所长,校、系学术委员会委员;ACM杰出科学家,IEEE Fellow,IAPR Fellow,中国计算机学会会士;长江学者特聘教授,国家杰出青年基金获得者。2007年创建南京大学机器学习与数据挖掘研究所(LAMDA),2010年11月任软件新技术国家重点实验室常务副主任,2013年5月任计算机系副主任。




    目录  · · · · · ·目录
    第1章 1
    1.1 引言 1
    1.2 基本术 2
    1.3 假设空间 4
    1.4 归纳偏好 6
    1.5 发展历程 10
    1.6 应用现状 13
    1.7 阅读材料 16
    习题 19
    参考文献 20
    休息一会儿 22
    第2章 模型评估与选择 23
    2.1 经验误差与过拟合 23
    2.2 评估方法 24
    2.2.1 留出法 25
    2.2.2 交叉验证法 26
    2.2.3 自助法 27
    2.2.4 调参与最终模型 28
    2.3 性能度量 28
    2.3.1 错误率与精度 29
    2.3.2 查准率、查全率与F1 30
    2.3.3 ROC与AUC 33
    2.3.4 代价敏感错误率与代价曲线 35
    2.4 比较检验 37
    2.4.1 假设检验 37
    2.4.2 交叉验证t检验 40
    2.4.3 McNemar检验 41
    2.4.4 Friedman检验与后续检验 42
    2.5 偏差与方差 44
    2.6 阅读材料 46
    习题 48
    参考文献 49
    休息一会儿 51
    第3章 线性模型 53
    3.1 基本形式 53
    3.2 线性回归 53
    3.3 对数几率回归 57
    3.4 线性判别分析 60
    3.5 多分类学习 63
    3.6 类别不平衡问题 66
    3.7 阅读材料 67
    习题 69
    参考文献 70
    休息一会儿 72
    第4章 决策树 73
    4.1 基本流程 73
    4.2 划分选择 75
    4.2.1 信息增益 75
    4.2.2 增益率 77
    4.2.3 基尼指数 79
    4.3 剪枝处理 79
    4.3.1 预剪枝 80
    4.3.2 后剪枝 82
    4.4 连续与缺失值 83
    4.4.1 连续值处理 83
    4.4.2 缺失值处理 85
    4.5 多变量决策树 88
    4.6 阅读材料 92
    习题 93
    参考文献 94
    休息一会儿 95
    第5章 神经网络 97
    5.1 神经元模型 97
    5.2 感知机与多层网络 98
    5.3 误差逆传播算法 101
    5.4 全局最小与局部极小 106
    5.5 其他常见神经网络 108
    5.5.1 RBF网络 108
    5.5.2 ART网络 108
    5.5.3 SOM网络 109
    5.5.4 级联相关网络 110
    5.5.5 Elman网络 111
    5.5.6 Boltzmann机 111
    5.6 深度学习 113
    5.7 阅读材料 115
    习题 116
    参考文献 117
    休息一会儿 120
    第6章 支持向量机 121
    6.1 间隔与支持向量 121
    6.2 对偶问题 123
    6.3 核函数 126
    6.4 软间隔与正则化 129
    6.5 支持向量回归 133
    6.6 核方法 137
    6.7 阅读材料 139
    习题 141
    参考文献 142
    休息一会儿 145
    第7章 贝叶斯分类器 147
    7.1 贝叶斯决策论 147
    7.2 极大似然估计 149
    7.3 朴素贝叶斯分类器 150
    7.4 半朴素贝叶斯分类器 154
    7.5 贝叶斯网 156
    7.5.1 结构 157
    7.5.2 学习 159
    7.5.3 推断 161
    7.6 EM算法 162
    7.7 阅读材料 164
    习题 166
    参考文献 167
    休息一会儿 169
    第8章 集成学习 171
    8.1 个体与集成 171
    8.2 Boosting 173
    8.3 Bagging与随机森林 178
    8.3.1 Bagging 178
    8.3.2 随机森林 179
    8.4 结合策略 181
    8.4.1 平均法 181
    8.4.2 投票法 182
    8.4.3 学习法 183
    8.5 多样性 185
    8.5.1 误差--分歧分解 185
    8.5.2 多样性度量 186
    8.5.3 多样性增强 188
    8.6 阅读材料 190
    习题 192
    参考文献 193
    休息一会儿 196
    第9章 聚类 197
    9.1 聚类任务 197
    9.2 性能度量 197
    9.3 距离计算 199
    9.4 原型聚类 202
    9.4.1 k均值算法 202
    9.4.2 学习向量量化 204
    9.4.3 高斯混合聚类 206
    9.5 密度聚类 211
    9.6 层次聚类 214
    9.7 阅读材料 217
    习题 220
    参考文献 221
    休息一会儿 224
    第10章 降维与度量学习 225
    10.1 k近邻学习 225
    10.2 低维嵌入 226
    10.3 主成分分析 229
    10.4 核化线性降维 232
    10.5 流形学习 234
    10.5.1 等度量映射 234
    10.5.2 局部线性嵌入 235
    10.6 度量学习 237
    10.7 阅读材料 240
    习题 242
    参考文献 243
    休息一会儿 246
    第11章 特征选择与稀疏学习 247
    11.1 子集搜索与评价 247
    11.2 过滤式选择 249
    11.3 包裹式选择 250
    11.4 嵌入式选择与L$_1$正则化 252
    11.5 稀疏表示与字典学习 254
    11.6 压缩感知 257
    11.7 阅读材料 260
    习题 262
    参考文献 263
    休息一会儿 266
    第12章 计算学习理论 267
    12.1 基础知识 267
    12.2 PAC学习 268
    12.3 有限假设空间 270
    12.3.1 可分情形 270
    12.3.2 不可分情形 272
    12.4 VC维 273
    12.5 Rademacher复杂度 279
    12.6 稳定性 284
    12.7 阅读材料 287
    习题 289
    参考文献 290
    休息一会儿 292
    第13章 半监督学习 293
    13.1 未标记样本 293
    13.2 生成式方法 295
    13.3 半监督SVM 298
    13.4 图半监督学习 300
    13.5 基于分歧的方法 304
    13.6 半监督聚类 307
    13.7 阅读材料 311
    习题 313
    参考文献 314
    休息一会儿 317
    第14章 概率图模型 319
    14.1 隐马尔可夫模型 319
    14.2 马尔可夫随机场 322
    14.3 条件随机场 325
    14.4 学习与推断 328
    14.4.1 变量消去 328
    14.4.2 信念传播 330
    14.5 近似推断 331
    14.5.1 MCMC采样 331
    14.5.2 变分推断 334
    14.6 话题模型 337
    14.7 阅读材料 339
    习题 341
    参考文献 342
    休息一会儿 345
    第15章 规则学习 347
    15.1 基本概念 347
    15.2 序贯覆盖 349
    15.3 剪枝优化 352
    15.4 一阶规则学习 354
    15.5 归纳逻辑程序设计 357
    15.5.1 最小一般泛化 358
    15.5.2 逆归结 359
    15.6 阅读材料 363
    习题 365
    参考文献 366
    休息一会儿 369
    第16章 强化学习 371
    16.1 任务与奖赏 371
    16.2 $K$-摇臂赌博机 373
    16.2.1 探索与利用 373
    16.2.2 $\epsilon $-贪心 374
    16.2.3 Softmax 375
    16.3 有模型学习 377
    16.3.1 策略评估 377
    16.3.2 策略改进 379
    16.3.3 策略迭代与值迭代 381
    16.4 免模型学习 382
    16.4.1 蒙特卡罗强化学习 383
    16.4.2 时序差分学习 386
    16.5 值函数近似 388
    16.6 模仿学习 390
    16.6.1 直接模仿学习 391
    16.6.2 逆强化学习 391
    16.7 阅读材料 393
    习题 394
    参考文献 395
    休息一会儿 397
    附录 399
    A 矩阵 399
    B 优化 403
    C 概率分布 409
    后记 417
    索引 419



    下载地址回复可见
    游客,如果您要查看本帖隐藏内容请回复

    回复

    使用道具 举报

    该用户从未签到

    0

    主题

    64

    帖子

    354

    积分

    永久VIP会员

    Rank: 8Rank: 8

    积分
    354
    发表于 2019-12-30 14:46:34 | 显示全部楼层
    gpbs gpbs gpbs gpbs gpbs gpbs
    回复

    使用道具 举报

    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则

    
    技术支持
    在线咨询
    邮箱
    mukedada@126.com
    微信扫一扫
    直接访问本页内容
    快速回复 返回顶部 返回列表