机器学习及其应用

本书特色

[

本书是关于机器学习的综合性教程，涵盖全部基础知识和理论，涉及不同应用领域的技术和算法。书中提出，机器学习背后的大多数想法都是简单且直接的。为了鼓励读者在实践中理解机器学习算法，本书提供一个配套平台，利用自我学习的机器学习项目，再结合一些基准测试应用的数据集，通过实验比较书中介绍的各类算法，从而实现深入理解。本书对于入门阶段的研究生和学者非常有益，会为进一步的深入研究打好基础。此外，本书也适合对机器学习感兴趣的工程师和其他技术人员阅读。

]

内容简介

[

本书是关于机器学习的综合性教程, 涵盖全部基础知识和理论, 涉及不同应用领域的技术和算法。书中提出, 机器学习背后的大多数想法都是简单且直接的。该书共分9章, 内容包括: 引言 ; 监督学习: 基本原理和基础知识 ; 统计学习 ; 学习支持向量机等。

]

作者简介

[

—作者简介—
M. 戈帕尔（M. Gopal） 机器学习领域的知名学者，曾任印度理工学院教授，拥有40余年的教学及研究经验，感兴趣的方向为机器学习、模式识别和智能控制。他的教材和视频课程在全球范围内广为采用，是YouTube上颇受欢迎的课程之一，学生数以百万计。

—译者简介—

黄智濒 计算机系统结构博士，北京邮电大学计算机学院讲师。长期从事机器学习、超大规模并行计算、GPU加速计算以及三维计算机视觉和深度学习架构方面的研究。

杨武兵 博士，中国航天空气动力技术研究院研究员，长期从事计算空气动力学、流动稳定性和湍流等方面的研究。其团队长期致力于用深度神经网络和各类机器学习方法，研究基于大涡模拟和直接数值模拟的流场流动结构的智能识别技术，推进人工智能在空气动力学领域的应用。

]

目录

译者序前言致谢作者简介第1章引言1��1走向智能机器1��2良好的机器学习问题1��3各种领域的应用实例1��4数据表示1��4��1时间序列预测1��4��2练习数据集和现实问题数据集1��5机器学习生产应用所需的领域知识1��6多样化的数据：结构的/非结构的1��7学习形式1��7��1监督/直接学习1��7��2无监督/间接学习1��7��3强化学习1��7��4基于自然过程的学习：进化、群智和免疫系统1��8机器学习和数据挖掘1��9机器学习技术中的基本线性代数知识1��10机器学习的相关资源第2章监督学习：基本原理和基础知识2��1从观察中学习2��2偏差和方差2��3为什么学习是有效的：计算学习理论2��4奥卡姆剃刀原理和防止过拟合2��5归纳学习中的启发式搜索2��5��1搜索假设空间2��5��2集成学习2��5��3学习系统的评估2��6泛化误差估计2��6��1留出法和随机子采样2��6��2交叉验证2��6��3自助法2��7用于评估回归（数值预测）准确率的度量指标2��7��1均方误差2��7��2平均绝对误差2��8用于评估分类（模式识别）准确率的度量指标2��8��1误分类的误差2��8��2混淆矩阵2��8��3基于ROC曲线的分类器比较2��9机器学习中的设计周期和问题概述第3章统计学习3��1机器学习和推断统计分析3��2学习技术中的描述统计学3��2��1表示数据的不确定性：概率分布3��2��2概率分布的描述性度量3��2��3数据样本的描述性度量3��2��4正态分布3��2��5数据相似性3��3贝叶斯推理：推理的一种概率方法3��3��1贝叶斯定理3��3��2朴素贝叶斯分类器3��3��3贝叶斯信念网络3��4k�步�邻分类器3��5判别函数和回归函数3��5��1分类和判别函数3��5��2数值预测和回归函数3��5��3实用假设函数3��6基于*小二乘误差准则的线性回归3��6��1*小化误差平方和以及伪逆3��6��2梯度下降优化方案3��6��3*小均方算法3��7用于分类任务的逻辑回归3��8费希尔的线性判别和分类的阈值3��8��1费希尔的线性判别3��8��2阈值3��9*小描述长度原则3��9��1贝叶斯视角3��9��2熵和信息第4章学习支持向量机4��1引言4��2二元分类的线性判别函数4��3感知器算法4��4用于线性可分离数据的线性*大边距的分类器4��5用于重叠类的线性软边距分类器4��6核函数约简的特征空间4��7非线性分类器4��8支持向量机的回归器4��8��1线性回归器4��8��2非线性回归器4��9将多元分类问题分解为二元分类任务4��9��1一对所有4��9��2一对一4��10基本SVM技术的变体第5章基于神经网络的学习5��1走向认知机器5��2神经元模型5��2��1生物神经元5��2��2人工神经元5��2��3数学模型5��3网络架构5��3��1前馈网络5��3��2循环网络5��4感知器5��4��1线性分类任务中感知器算法的局限性5��4��2使用回归技术的线性分类器5��4��3标准梯度下降优化方案：*速下降5��5线性神经元和Widrow�睭off学习规则5��6误差修正的delta规则5��7多层感知器网络和误差反向传播算法5��7��1广义的delta规则5��7��2收敛和局部*小值5��7��3为梯度下降增加动量项5��7��4误差反向传播算法的启发式方面5��8MLP网络的多元判别5��9径向基函数网络5��10遗传神经系统第6章模糊推理系统6��1引言6��2认知不确定性和模糊规则库6��3知识的模糊量化6��3��1模糊逻辑6��3��2模糊集6��3��3模糊集操作6��3��4模糊关系6��4模糊规则库和近似推理6��4��1通过模糊关系量化规则6��4��2输入的模糊化6��4��3推理机制6��4��4推断模糊集的去模糊化6��5模糊推理系统的MAM�睤ANI模型6��5��1移动障碍物中的移动机器人导航6��5��2抵押贷款评估6��6T�睸模糊模型6��7神经模糊推理系统6��7��1ANFIS架构6��7��2ANFIS如何学习6��8遗传模糊系统第7章数据聚类和数据转换7��1无监督学习7��2数据工程7��2��1探索性数据分析：了解数据中的内容7��2��2聚类分析：查找数据中的相似性7��2��3数据转换：增强数据的信息内容7��3基本聚类方法概述7��3��1分割聚类7��3��2层次聚类7��3��3谱聚类7��3��4使用自组织映射进行聚类7��4K�簿�值聚类7��5模糊K�簿�值聚类7��6期望*大化算法和高斯混合聚类7��6��1EM算法7��6��2高斯混合模型7��7一些有用的数据转换7��7��1数据清洗7��7��2衍生属性7��7��3离散化数值属性7��7��4属性约简技术7��8基于熵的属性离散化方法7��9用于属性约简的主成分分析7��10基于粗糙集的属性约简方法7��10��1粗糙集基础7��10��2属性相关性分析7��10��3属性约简第8章决策树学习8.1引言8.2决策树分类的例子8.3评估决策树分裂的不纯度度量8.3.1信息增益/熵减少8.3.2增益比8.3.3基尼系数8.4 ID3、C4��5以及CART决策树8.5树的剪枝8.6决策树方法的优势和劣势8.7模糊决策树第9章商业智能与数据挖掘：技术和应用9.1关于分析的简介9.1.1机器学习、数据挖掘和预测分析9.1.2基本分析技术9.2CRISP�睤M(跨行业数据挖掘标准流程)模型9.3数据仓库和在线分析处

封面

书名:机器学习及其应用

作者:(印)M.戈帕尔(M. Gopal)著

页数:11,457页

定价:¥139.0

出版社:机械工业出版社

出版日期:2020-06-01

ISBN:9787111654148

PDF电子书大小:153MB 高清扫描完整版