掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
機器學習基礎 版權信息
- ISBN：9787121492433
- 條形碼：9787121492433 ; 978-7-121-49243-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習基礎 內容簡介
本譯著提供了基于神經網絡的機器學習主題，除過介紹基本的物理和數學原理基礎之外，主要從統計物理的基礎方法和科學工程應用結合起來，提供了理解現代視覺讓讀者解決實踐中遇到的問題。本書組織結構清楚，分為3部分，第1部分Hopfield Networks，第2部分，監督學習，第3部分，非監督學習。涉及的很多前言主題，例如卷積神經網絡，深度學習和強化學習。此外，作者還主要將機器學習的這些理論方法在科學和工程中的應用做了大量工作，讓計算機科學家和工程師能夠解決工作遇到的實際問題。
機器學習基礎 目錄
第1章 導論 1
1.1 什么是機器學習 1
1.2 機器學習的基本概念 4
1.2.1 分類與回歸 4
1.2.2 監督學習與無監督學習 4
1.2.3 簡單模型與復雜模型 5
1.2.4 參數模型與非參數模型 8
1.2.5 過擬合與欠擬合 9
1.2.6 偏差-方差權衡 11
1.3 機器學習的一般原則 12
1.3.1 奧卡姆剃刀 12
1.3.2 沒有免費午餐定理 13
1.3.3 平滑世界定律 14
1.3.4 維度災難 16
1.4 機器學習中的高級主題 17
1.4.1 強化學習 17
1.4.2 元學習 17
1.4.3 因果推斷 18
1.4.4 其他高級主題 18
練習 18
第2章 數學基礎 20
2.1 線性代數 20
2.1.1 向量和矩陣 20
2.1.2 作為矩陣乘法的線性變換 21
2.1.3 基本矩陣運算 23
2.1.4 特征值和特征向量 25
2.1.5 矩陣演算 27
2.2 概率與統計 29
2.2.1 隨機變量和分布 29
2.2.2 期望值：均值、方差和矩 31
2.2.3 聯合、邊際和條件分布 33
2.2.4 常見概率分布 37
2.2.5 隨機變量的變換 44
2.3 信息論 45
2.3.1 信息和熵 46
2.3.2 互信息 48
2.3.3 KL散度 51
2.4 數學優化 54
2.4.1 一般形式 55
2.4.2 *優條件 56
2.4.3 數值優化方法 66
練習 71
第3章 監督機器學習（簡介） 75
3.1 概述 75
3.2 實例探究 80
第4章 特征提取 84
4.1 特征提取：概念 84
4.1.1 特征工程 84
4.1.2 特征選擇 86
4.1.3 降維 86
4.2 線性降維 87
4.2.1 主成分分析 87
4.2.2 線性判別分析 93
4.3 非線性降維（I）：流形學習 96
4.3.1 局部線性嵌入 96
4.3.2 多維縮放 98
4.3.3 隨機鄰域嵌入 99
4.4 非線性降維（II）：神經網絡 100
4.4.1 自編碼器 100
4.4.2 瓶頸特征 101
實驗室項目一 101
練習 102
判 別 模 型
第5章 統計學習理論 105
5.1 判別模型的制定 105
5.2 可學習性 107
5.3 泛化邊界 108
5.3.1 有限模型空間：| | 108
5.3.2 無限模型空間：VC維 110
練習 113
第6章 線性模型 115
6.1 感知機 116
6.2 線性回歸 120
6.3 *小分類誤差 121
6.4 邏輯回歸 123
6.5 支持向量機 125
6.5.1 線性支持向量機 125
6.5.2 軟支持向量機 132
6.5.3 非線性支持向量機：核技巧 133
6.5.4 求解二次規劃 136
6.5.5 多類支持向量機 138
實驗室項目二 139
練習 140
第7章 學習通用判別模型 142
7.1 學習判別模型的通用框架 142
7.1.1 機器學習中的常見損失函數 144
7.1.2 基于 范數的正則化 146
7.2 嶺回歸與LASSO 148
7.3 矩陣分解 150
7.4 字典學習 155
實驗室項目三 158
練習 159
第8章 神經網絡 161
8.1 人工神經網絡 162
8.1.1 人工神經網絡的基本公式 163
8.1.2 數學證明：通用近似 165
8.2 神經網絡結構 167
8.2.1 連接層的基本構造塊 167
8.2.2 案例分析一：完全連接深度神經網絡 176
8.2.3 案例分析二：卷積神經網絡 178
8.2.4 案例分析三：遞歸神經網絡 182
8.2.5 案例分析四：transformer 184
8.3 神經網絡的學習算法 187
8.3.1 損失函數 187
8.3.2 自動微分法 188
8.3.3 隨機梯度下降優化 201
8.4 優化的啟發式和技巧 203
8.4.1 其他隨機梯度下降變量優化方法：ADAM 204
8.4.2 正則化 207
8.4.3 微調技巧 209
8.5 端到端學習 210
實驗室項目四 212
練習 213
第9章 集成學習 215
9.1 整體學習的模擬 215
9.2 袋裝法 221
9.3 提升法 222
9.3.1 梯度提升 223
9.3.2 AdaBoost 225
9.3.3 梯度樹提升法 228
實驗室項目五 230
練習 230
生 成 模 型
第10章 生成模型概述 233
10.1 生成模型的形成 233
10.2 貝葉斯決策理論 235
10.2.1 分類生成模型 235
10.2.2 回歸生成模型 240
10.3 統計數據建模 241
10.4 密度估計 244
10.4.1 *大似然估計 244
10.4.2 *大似然分類器 247
10.5 生成模型（概括） 247
練習 249
第11章 單峰模型 251
11.1 高斯模型 252
11.2 多項式模型 256
11.3 馬爾可夫鏈模型 258
11.4 廣義線性模型 263
11.4.1 概率回歸 264
11.4.2 泊松回歸 265
11.4.3 對數線性模型 266
練習 268
第12章 混合模型 270
12.1 構建混合模型 271
12.1.1 指數族（e族） 272
12.1.2 混合模型的形式化定義 274
12.2 期望*大化方法 275
12.2.1 輔助函數：消除對數和 275
12.2.2 期望*大化算法 279
12.3 高斯混合模型 282
12.4 隱馬爾可夫模型 286
12.4.1 馬爾可夫模型：序列的混合模型 286
12.4.2 評估問題：前向后退算法 292
12.4.3 解碼問題：維特比算法 296
12.4.4 訓練問題：馬爾可夫算法 298
實驗項目六 305
練習 306
第13章 糾纏模型 309
13.1 糾纏模型的形成 309
13.1.1 糾纏模型框架 310
13.1.2 一般糾纏模型的學習 312
13.2 線性高斯模型 314
13.2.1 概率PCA 315
13.2.2 因素分析 316
13.3 非高斯模型 318
13.3.1 獨立成分分析（ICA） 318
13.3.2 獨立因素分析（IFA） 320
13.3.3 混合正交投影與估計（HOPE） 320
13.4 深度生成模型 321
13.4.1 變分自編碼器（VAE） 322
13.4.2 生成式對抗網絡（GAN） 326
練習 327
第14章 貝葉斯學習 329
14.1 構建貝葉斯學習 329
14.1.1 貝葉斯推理 331
14.1.2 *大化后驗估計 332
14.1.3 順序貝葉斯學習 333
14.2 共軛先驗 336
14.3 近似推理 342
14.3.1 拉普拉斯方法 343
14.3.2 變分貝葉斯（VB）方法 345
14.4 高斯過程 351
14.4.1 高斯過程作為非參數先驗 351
14.4.2 回歸高斯過程 354
14.4.3 分類高斯過程 357
練習 358
第15章 圖模型 360
15.1 圖模型概念 360
15.2 貝葉斯網絡 364
15.2.1 條件獨立 364
15.2.2 用貝葉斯網絡表示生成模型 371
15.2.3 學習貝葉斯網絡 375
15.2.4 推理算法 377
15.2.5 案例研究一：樸素貝葉斯分類器 383
15.2.6 案例研究二：潛在狄利克雷分配 384
15.3 馬爾可夫隨機場 387
15.3.1 等式：勢函數和配分函數 387
15.3.2 案例研究三：條件隨機場 390
15.3.3 案例研究四：限制玻爾茲曼機器 392
練習 394
附錄A 396
參考文獻
1.1 什么是機器學習 1
1.2 機器學習的基本概念 4
1.2.1 分類與回歸 4
1.2.2 監督學習與無監督學習 4
1.2.3 簡單模型與復雜模型 5
1.2.4 參數模型與非參數模型 8
1.2.5 過擬合與欠擬合 9
1.2.6 偏差-方差權衡 11
1.3 機器學習的一般原則 12
1.3.1 奧卡姆剃刀 12
1.3.2 沒有免費午餐定理 13
1.3.3 平滑世界定律 14
1.3.4 維度災難 16
1.4 機器學習中的高級主題 17
1.4.1 強化學習 17
1.4.2 元學習 17
1.4.3 因果推斷 18
1.4.4 其他高級主題 18
練習 18
第2章 數學基礎 20
2.1 線性代數 20
2.1.1 向量和矩陣 20
2.1.2 作為矩陣乘法的線性變換 21
2.1.3 基本矩陣運算 23
2.1.4 特征值和特征向量 25
2.1.5 矩陣演算 27
2.2 概率與統計 29
2.2.1 隨機變量和分布 29
2.2.2 期望值：均值、方差和矩 31
2.2.3 聯合、邊際和條件分布 33
2.2.4 常見概率分布 37
2.2.5 隨機變量的變換 44
2.3 信息論 45
2.3.1 信息和熵 46
2.3.2 互信息 48
2.3.3 KL散度 51
2.4 數學優化 54
2.4.1 一般形式 55
2.4.2 *優條件 56
2.4.3 數值優化方法 66
練習 71
第3章 監督機器學習（簡介） 75
3.1 概述 75
3.2 實例探究 80
第4章 特征提取 84
4.1 特征提取：概念 84
4.1.1 特征工程 84
4.1.2 特征選擇 86
4.1.3 降維 86
4.2 線性降維 87
4.2.1 主成分分析 87
4.2.2 線性判別分析 93
4.3 非線性降維（I）：流形學習 96
4.3.1 局部線性嵌入 96
4.3.2 多維縮放 98
4.3.3 隨機鄰域嵌入 99
4.4 非線性降維（II）：神經網絡 100
4.4.1 自編碼器 100
4.4.2 瓶頸特征 101
實驗室項目一 101
練習 102
判 別 模 型
第5章 統計學習理論 105
5.1 判別模型的制定 105
5.2 可學習性 107
5.3 泛化邊界 108
5.3.1 有限模型空間：| | 108
5.3.2 無限模型空間：VC維 110
練習 113
第6章 線性模型 115
6.1 感知機 116
6.2 線性回歸 120
6.3 *小分類誤差 121
6.4 邏輯回歸 123
6.5 支持向量機 125
6.5.1 線性支持向量機 125
6.5.2 軟支持向量機 132
6.5.3 非線性支持向量機：核技巧 133
6.5.4 求解二次規劃 136
6.5.5 多類支持向量機 138
實驗室項目二 139
練習 140
第7章 學習通用判別模型 142
7.1 學習判別模型的通用框架 142
7.1.1 機器學習中的常見損失函數 144
7.1.2 基于 范數的正則化 146
7.2 嶺回歸與LASSO 148
7.3 矩陣分解 150
7.4 字典學習 155
實驗室項目三 158
練習 159
第8章 神經網絡 161
8.1 人工神經網絡 162
8.1.1 人工神經網絡的基本公式 163
8.1.2 數學證明：通用近似 165
8.2 神經網絡結構 167
8.2.1 連接層的基本構造塊 167
8.2.2 案例分析一：完全連接深度神經網絡 176
8.2.3 案例分析二：卷積神經網絡 178
8.2.4 案例分析三：遞歸神經網絡 182
8.2.5 案例分析四：transformer 184
8.3 神經網絡的學習算法 187
8.3.1 損失函數 187
8.3.2 自動微分法 188
8.3.3 隨機梯度下降優化 201
8.4 優化的啟發式和技巧 203
8.4.1 其他隨機梯度下降變量優化方法：ADAM 204
8.4.2 正則化 207
8.4.3 微調技巧 209
8.5 端到端學習 210
實驗室項目四 212
練習 213
第9章 集成學習 215
9.1 整體學習的模擬 215
9.2 袋裝法 221
9.3 提升法 222
9.3.1 梯度提升 223
9.3.2 AdaBoost 225
9.3.3 梯度樹提升法 228
實驗室項目五 230
練習 230
生 成 模 型
第10章 生成模型概述 233
10.1 生成模型的形成 233
10.2 貝葉斯決策理論 235
10.2.1 分類生成模型 235
10.2.2 回歸生成模型 240
10.3 統計數據建模 241
10.4 密度估計 244
10.4.1 *大似然估計 244
10.4.2 *大似然分類器 247
10.5 生成模型（概括） 247
練習 249
第11章 單峰模型 251
11.1 高斯模型 252
11.2 多項式模型 256
11.3 馬爾可夫鏈模型 258
11.4 廣義線性模型 263
11.4.1 概率回歸 264
11.4.2 泊松回歸 265
11.4.3 對數線性模型 266
練習 268
第12章 混合模型 270
12.1 構建混合模型 271
12.1.1 指數族（e族） 272
12.1.2 混合模型的形式化定義 274
12.2 期望*大化方法 275
12.2.1 輔助函數：消除對數和 275
12.2.2 期望*大化算法 279
12.3 高斯混合模型 282
12.4 隱馬爾可夫模型 286
12.4.1 馬爾可夫模型：序列的混合模型 286
12.4.2 評估問題：前向后退算法 292
12.4.3 解碼問題：維特比算法 296
12.4.4 訓練問題：馬爾可夫算法 298
實驗項目六 305
練習 306
第13章 糾纏模型 309
13.1 糾纏模型的形成 309
13.1.1 糾纏模型框架 310
13.1.2 一般糾纏模型的學習 312
13.2 線性高斯模型 314
13.2.1 概率PCA 315
13.2.2 因素分析 316
13.3 非高斯模型 318
13.3.1 獨立成分分析（ICA） 318
13.3.2 獨立因素分析（IFA） 320
13.3.3 混合正交投影與估計（HOPE） 320
13.4 深度生成模型 321
13.4.1 變分自編碼器（VAE） 322
13.4.2 生成式對抗網絡（GAN） 326
練習 327
第14章 貝葉斯學習 329
14.1 構建貝葉斯學習 329
14.1.1 貝葉斯推理 331
14.1.2 *大化后驗估計 332
14.1.3 順序貝葉斯學習 333
14.2 共軛先驗 336
14.3 近似推理 342
14.3.1 拉普拉斯方法 343
14.3.2 變分貝葉斯（VB）方法 345
14.4 高斯過程 351
14.4.1 高斯過程作為非參數先驗 351
14.4.2 回歸高斯過程 354
14.4.3 分類高斯過程 357
練習 358
第15章 圖模型 360
15.1 圖模型概念 360
15.2 貝葉斯網絡 364
15.2.1 條件獨立 364
15.2.2 用貝葉斯網絡表示生成模型 371
15.2.3 學習貝葉斯網絡 375
15.2.4 推理算法 377
15.2.5 案例研究一：樸素貝葉斯分類器 383
15.2.6 案例研究二：潛在狄利克雷分配 384
15.3 馬爾可夫隨機場 387
15.3.1 等式：勢函數和配分函數 387
15.3.2 案例研究三：條件隨機場 390
15.3.3 案例研究四：限制玻爾茲曼機器 392
練習 394
附錄A 396
參考文獻
展開全部
機器學習基礎 作者簡介
Jiang Hui（江輝）是加拿大多倫多約克大學電氣工程和計算機科學系教授。自2002年起擔任該校教授，長期從事人工智能教學和研究。他的主要研究方向包括機器學習、深度學習，以及其在語音和音頻處理、自然語言處理和計算機視覺中的應用。
郭濤，四川省農業科學院遙感應用研究所智慧農業科學技術中心、遙感監測（糧食安全）研究中心工程師，TIT Lab發起人，主要從事機器學習與模式識別、地理人工智能（GeoAI）與時空大數據挖掘與分析、智能機器人技術和軟件工程技術等前沿交叉研究。《復雜性思考：復雜性科學與計算模型》和《神經網絡實戰》等譯者。目前發表學術論文12篇，申請軟件著作權12項，參與編寫教材3本，譯著5本。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
苦雨齋序跋文-周作人自編集
- >
月亮虎
- >
自卑與超越
- >
姑媽的寶刀
- >
我與地壇
- >
龍榆生：詞曲概論/大家小書
- >
二體千字文
本類暢銷
