机器学习导论

相关资料

[

本书组织完备,每一节都有一个“你学到了什么”的小结,每一章都有简明扼要的总结及历史简评,并提供了大量的练习。全书章节都有经过精心选择和设计的例子,以帮助读者理解每一个概念。通过阅读本书,我学到了很多机器学习的基本知识。雅克·凯瑞特 |《计算评论》米罗斯拉夫·库巴特所著的这本《机器学习导论》更像是一本科普性质的读物,作者尽量避开复杂的数学公式,用生动形象的方式介绍机器学习算法,而且本书篇幅适当,又涵盖了几乎所有基本的机器学习方法,使得本书不仅适合作为本科学生机器学习课的教材,也适合想了解机器学习入门知识的普通读者。刘成林|中国科学院自动化研究所副所长、模式识别国家重点实验室主任

]

本书特色

[

这本书通过给出易操作的实践指导、采用简单的例子、激励学生讨论有趣的应用问题,用一种易于理解的方式介绍了机器学习的基本思想。本书主题包括贝叶斯分类器、近邻分类器、线性和多项式分类器、决策树、神经网络以及支持向量机。后面的章节展示了如何把这些简单工具通过“提升”(boosting)的方式结合起来,怎样将它们应用于更加复杂的领域,以及如何处理各种高级的实践问题。其中有一章介绍了广为人知的遗传算法。

]

内容简介

[

人工智能专家米罗斯拉夫•库巴特教授25年倾心打造系统解读了有关机器学习的14个方面,快速读懂机器学习全面揭开机器学习的奥秘本书系统全面,既可以自学又可以作为研究参考。既道出了机器学习的前世今生,又展望了发展的未来,让道听途说的信息止于智者。全面讨论机器学习方法和技术,层次合理、叙述清晰、难度适中。涵盖了经典的机器学习算法和理论,同时补充了近年来新出现的机器学习方法。

]

作者简介

[

〔美] 米罗斯拉夫·库巴特美国迈阿密大学教授,从事机器学习教学和研究超过25年。他已发表100余篇经过同行评审的论文,与人合编了两本著作,是近60个会议和研讨会的程序委员会委员,并担任3本学术刊物的编委。他在两个方面的前沿研究上得到了广泛赞誉:时变概念的归纳学习和在非平衡训练集上的学习。此外,在多标签样例上的归纳学习、层次组织的类别上的归纳学习、遗传算法、神经网络的初始化等问题上,他也做出了很多贡献。

]

目录

推荐序前言第1章 一个简单的机器学习任务// 1.1训练集和分类器// 1.2一点题外话:爬山搜索// 1.3机器学习中的爬山法// 1.4分类器的性能// 1.5可用数据的困难// 1.6总结和历史简评// 1.7巩固你的知识// 第2章 概率:贝叶斯分类器// 2.1单属性的情况// 2.2离散属性值的向量// 2.3稀少事件的概率:利用专家的直觉// 2.4如何处理连续属性// 2.5高斯钟形函数:一个标准的概率密度函数// 2.6用高斯函数的集合近似概率密度函数// 2.7总结和历史简评// 2.8巩固你的知识// 第3章 相似性:*近邻分类器// 3.1k近邻法则// 3.2度量相似性// 3.3不相关属性与尺度缩放问题// 3.4性能方面的考虑// 3.5加权*近邻// 3.6移除危险的样例// 3.7移除多余的样例// 3.8总结和历史简评// 3.9巩固你的知识// 第4章 类间边界:线性和多项式分类器// 4.1本质// 4.2加法规则:感知机学习// 4.3乘法规则:WINNOW// 4.4多于两个类的域// 4.5多项式分类器// 4.6多项式分类器的特殊方面// 4.7数值域和支持向量机// 4.8总结和历史简评// 4.9巩固你的知识// 第5章 人工神经网络// 5.1作为分类器的多层感知机// 5.2神经网络的误差// 5.3误差的反向传播// 5.4多层感知机的特殊方面// 5.5结构问题// 5.6径向基函数网络// 5.7总结和历史简评// 5.8巩固你的知识// 第6章 决策树// 6.1作为分类器的决策树// 6.2决策树的归纳学习// 6.3一个属性承载了多少信息// 6.4数值属性的二元划分// 6.5剪枝// 6.6将决策树转换为规则// 6.7总结和历史简评// 6.8巩固你的知识// 第7章 计算学习理论// 7.1PAC 学习// 7.2PAC可学习性的实例// 7.3一些实践和理论结果// 7.4VC维与可学习性// 7.5总结和历史简评// 7.6巩固你的知识// 第8章 几个有帮助的案例// 8.1字符识别// 8.2溢油检测// 8.3睡眠分类// 8.4脑机界面// 8.5医疗诊断// 8.6文本分类// 8.7总结和历史简评// 8.8巩固你的知识// 第9章 投票组合简介// 9.1“装袋”方法(Bagging)// 9.2夏皮尔提升(Schapire�餾 Boosting)// 9.3Adaboost——Boosting的实用版本// 9.4Boosting方法的变种// 9.5Boosting方法的计算优势// 9.6总结和历史简评// 9.7巩固你的知识// 第10章 了解一些实践知识// 10.1学习器的偏好// 10.2不平衡训练集// 10.3语境相关域// 10.4未知属性值// 10.5属性选择// 10.6杂项// 10.7总结和历史简评// 10.8巩固你的知识// 第11章 性能评估// 11.1基本性能标准// 11.2精度和查全率// 11.3测量性能的其他方法// 11.4多标签域内的性能// 11.5学习曲线和计算开销// 11.6实验评估的方法// 11.7总结和历史简评// 11.8巩固你的知识// 第12章 统计显著性// 12.1总体抽样// 12.2从正态分布中获益// 12.3置信区间// 12.4一个分类器的统计评价// 12.5另外一种统计评价// 12.6机器学习技术的比较// 12.7总结和历史简评// 12.8巩固你的知识// 第13章 遗传算法// 13.1基本遗传算法// 13.2单个模块的实现// 13.3为什么能起作用// 13.4过早退化的危险// 13.5其他遗传算子// 13.6高级版本// 13.7k-NN 分类器的选择// 13.8总结和历史简评// 13.9巩固你的知识// 第14章 增强学习// 14.1如何选出*高奖励的动作// 14.2游戏的状态和动作// 14.3SARSA方法// 14.4总结和历史简评// 14.5巩固你的知识// 参考文献//信息

封面

机器学习导论

书名:机器学习导论

作者:米罗斯拉夫.库巴特

页数:309

定价:¥79.0

出版社:机械工业出版社

出版日期:2016-11-01

ISBN:9787111548683

PDF电子书大小:70MB 高清扫描完整版

百度云下载:http://www.chendianrong.com/pdf

发表评论

邮箱地址不会被公开。 必填项已用*标注