机器学法算法导论

本书特色

[

机器学习是计算机智能围棋博弈系统、无人驾驶汽车和工业界人工智能助理等新兴技术的灵魂，特别是深度学习理论更是诸多高精尖人工智能技术的核心。掌握机器学习理论与实践技术是学习现代人工智能科学*重要的一步。
本书既讲述机器学习算法的理论分析，也结合具体应用介绍它们在Python中的实现及使用方法。本书的第2到第9章主要介绍监督式学习算法。其中包括：监督式学习算法基础、线性回归算法、机器学习中的搜索算法、Logistic回归算法、支持向量机算法、决策树、神经网络和深度学习。随后，在第10与11这两章，着重介绍无监督学习算法。其中包括：降维算法和聚类算法。第12章中讲述强化学习的相关知识。在本书的附录中还提供了学习本书**的数学基础知识和Python语言与机器学习工具库基本知识。
与其他机器学习类书籍相比，本书同时包含机器学习的算法理论和算法实践。希望通过课程的学习,读者能够从机器学习的理论基础和实际应用两个层面全面掌握其核心技术，同时计算思维能力得到显著提高，对于整个课程讲述的机器学习算法核心知识，能够知其然且知其所以然。同时着力培养读者的计算思维能力，使他们在面临实际应用的挑战时，能够以算法的观点思考问题，并灵活应用数学概念来设计出高效安全的解决方案。

]

内容简介

[

机器学习的应用涵盖自然语言处理，图像识别以及一系列预测与决策问题。特别是其中的深度学习理论更是诸多高精尖人工智能技术的核心，它是击败人类围棋世界冠军的AlphaGo计算机智能围棋博弈系统、无人驾驶汽车和工业界人工智能助理等新兴技术的灵魂。因此，掌握机器学习的理论与实践技术是学习现代人工智能科学*重要的一步。而这也正是本书希望达到的目的。
作者力图用通俗易懂的语言阐述机器学习的理论基础、基本概念、相关数学知识、将机器学习转化为优化问题的方法、以及处理这类优化问题的一般性算法。
从理论、抽象和设计三方面阐述了机器学习理论基础、算法实现和具体应用技巧。在讲述机器学习算法核心知识的同时，激发并增强读者的计算思维能力。
本书展示的内容覆盖了人工智能*前沿的研究方向，也是通用人工智能的基础。
在设计层面，基于机器学习的理论基础，详述一系列机器学习经典算法，并结合实例介绍算法在Python和Tensorflow中的实现和应用技巧，使读者从理论基础和实际应用两个层面全面掌握机器学习的核心技术。
★ 前沿性：人工智能的学科覆盖面广、包容性强、应用需求空间巨大，已成为国际上公认的*发展前景的学科之一。本书内容覆盖了人工智能*前沿的研究方向，也是通用人工智能的基础。
★ 系统性：从理论、抽象和设计三方面阐述了机器学习理论基础、算法实现和具体应用技巧。在讲述机器学习算法核心知识的同时，激发并增强读者的计算思维能力。
★ 通俗性：用通俗易懂的语言阐述机器学习的理论基础、基本概念、相关数学知识，将机器学习转化为优化问题的方法以及处理这类优化问题的一般性算法。
★ 实用性：基于机器学习的理论基础，详述一系列机器学习经典算法，并结合实例介绍算法在Python和TensorFlow中的实现和应用技巧，使读者从理论基础和实际应用两个层面全面掌握机器学习的核心技术。

]

作者简介

[

王磊：2006年本科毕业于清华大学，2011年获得美国佐治亚理工学院博士学位。现就职于美国Facebook公司，担任主任工程经理。主要研究方向是：人工智能算法与架构、博弈论与优化算法理论。

]

目录

目录第1章机器学习算法概述11.1什么是机器学习21.2机器学习的形式分类41.2.1监督式学习41.2.2无监督学习71.2.3强化学习81.3机器学习算法综览91.4有关术语的约定15小结16第2章监督式学习算法基础172.1监督式学习基本概念172.2经验损失*小化架构202.3监督式学习与经验损失*小化实例232.4正则化算法29小结34习题35第3章线性回归算法383.1线性回归基本概念383.2线性回归优化算法433.3多项式回归493.4线性回归的正则化算法523.5线性回归的特征选择算法583.5.1逐步回归583.5.2分段回归63小结66习题66第4章机器学习中的搜索算法704.1梯度下降算法与次梯度下降算法714.2随机梯度下降算法774.3牛顿迭代算法834.4坐标下降算法87小结91习题92第5章Logistic回归算法945.1Logistic回归基本概念945.2Logistic回归优化算法1005.3分类问题的度量1075.3.1准确率1075.3.2精确率与召回率1085.3.3ROC曲线及AUC度量1125.4Softmax回归1155.4.1Softmax回归基本概念1155.4.2Softmax回归优化算法1165.4.3Softmax模型与指数分布族121小结123习题123第6章支持向量机算法1266.1支持向量机基本概念1266.1.1支持向量机思想起源1276.1.2支持向量机的凸优化描述1296.1.3支持向量机的对偶1326.2支持向量机优化算法1336.3核方法1406.4软间隔支持向量机1476.4.1软间隔支持向量机基本概念1476.4.2软间隔支持向量机优化算法1496.4.3Hinge损失与软间隔支持向量机152小结153习题154第7章决策树1587.1决策树的基本概念1587.2决策树优化算法1667.2.1决策树回归问题的CART算法1667.2.2决策树分类问题的CART算法1687.3CART算法实现及应用1717.3.1决策树CART算法基类1717.3.2决策树回归问题的CART算法的实现及应用1757.3.3决策树分类问题的CART算法的实现及应用1787.4集成学习算法1807.4.1随机森林分类算法1817.4.2随机森林回归算法1877.5梯度提升决策树回归算法189小结192习题193第8章神经网络1978.1神经网络基本概念1978.1.1神经网络模型1978.1.2神经网络算法描述2028.2神经网络优化算法2048.3神经网络算法实现2088.4神经网络的TensorFlow实现216小结218习题218第9章深度学习2229.1卷积神经网络2229.1.1滤镜2249.1.2卷积层2269.1.3卷积神经网络的实现2309.2循环神经网络2379.2.1循环神经网络基本概念2389.2.2循环神经网络的实现2419.2.3时间反向传播算法2459.2.4长短时记忆基本概念2469.2.5长短时记忆的实现249小结250习题251第10章降维算法25610.1主成分分析法25610.1.1算法思想25610.1.2算法实现26110.1.3奇异值分解26310.2主成分分析的核方法26510.2.1主成分分析法的等价形式26510.2.2核方法算法描述26610.2.3核方法算法实现26810.3线性判别分析法27110.3.1算法思想27110.3.2算法实现27310.4流形降维算法27510.4.1局部线性嵌入法27610.4.2多维缩放法28010.5自动编码器284小结287习题288第11章聚类算法29311.1k均值算法29311.2合并聚类算法29811.3DBSCAN算法304小结309习题310第12章强化学习31312.1强化学习基本概念31412.1.1马尔可夫环境模型31412.1.2策略31612.2动态规划型算法31812.2.1值迭代算法31912.2.2策略迭代算法32312.3时序差分型算法32712.4深度Q神经网络33512.5策略梯度型算法34112.5.1REINFORCE算法34212.5.2Actor�睠ritic算法345小结348习题349附录A机器学习数学基础352A.1线性代数352A.2微积分357A.3优化理论361A.3.1凸函数的定义及判定361A.3.2无约束凸优化问题362A.3.3带约束凸优化问题364A.4概率论简介366附录BPython语言与机器学习工具库370B.1Python语言基础370B.2SciPy工具库374B.2.1NumPy简介374B.2.2Matplotlib简介378B.2.3Pandas简介379B.3Sklearn简介380B.4TensorFlow简介383附录C本书使用的数据集387参考文献388

封面

书名:机器学法算法导论

作者:王磊

页数:386

定价:¥59.9

出版社:清华大学出版社

出版日期:2019-07-01

ISBN:9787302524564

PDF电子书大小:90MB 高清扫描完整版