《机器学习方法》在《统计学习方法》的基础上增加了深度学习的内容，系统地介绍了机器学习的主要方法，系统阐述其理论、模型、策略和算法，从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。《机器学习方法》可作为机器学习及相关课程的教学参考书，适合人工智能、文本数据挖掘、信息检索及自然语言处理等专业的本科生、研究生使用，也供计算机各个领域的专业研发人员参考。
基本信息 | 商品名称： | 开本： | 16开 | |
| 作者： | 李航 | 定价： | 138.00 |
| ISBN号： | 9787302597308 | 出版时间： | 2022-03-01 |
| 出版社： | 清华大学出版社 | 印刷时间： | 2022-04-01 |
| 版次： | 1 | 印次： | 1 |
篇 监 督 学 习
章 机器学习及监督学习概论 3
11机器学习 3
12机器学习的分类 5
121基本分类 5
122按模型分类 10
123按算法分类 11
124按技巧分类 12
13机器学习方法三要素 13
131模型 13
132策略 14
133算法 16
14模型评估与模型选择 17
141训练误差与测试误差 17
142过拟合与模型选择 18
15正则化与交叉验证 20
151正则化 20
152交叉验证 20
16泛化能力 21
161泛化误差 21
162泛化误差上界 22
17生成模型与判别模型 24
18监督学习应用 24
181分类问题 24
182标注问题 26
183回归问题 27
本章概要 28
继续阅读 29
习题 29
参考文献 29
VIII机器学习方法
第 2章感知机 30
21感知机模型 30
22感知机学习策略 31
221数据集的线性可分性 31
222感知机学习策略 31
23感知机学习算法 32
231感知机学习算法的原始形式 33
232算法的收敛性 35
233感知机学习算法的对偶形式 37
本章概要 39
继续阅读 40
习题 40
参考文献 40
第 3章 k近邻法 41
31 k近邻算法 41
32 k近邻模型 42
321模型 42
322距离度量 42
323 k值的选择 43
324分类决策规则 44
33 k近邻法的实现：kd树 44
331构造 kd树 45
332搜索 kd树 46
本章概要 48
继续阅读 48
习题 48
参考文献 49
第 4章朴素贝叶斯法 50
41朴素贝叶斯法的学习与分类 50
411基本方法 50
412后验概率化的含义 51
42朴素贝叶斯法的参数估计 52
421极大似然估计 52
422学习与分类算法 53
423贝叶斯估计 54
本章概要 55
继续阅读 56
目录 IX
习题 56
参考文献 56
第 5章决策树 57
51决策树模型与学习 57
511决策树模型 57
512决策树与 if-then规则 58
513决策树与条件概率分布 58
514决策树学习 58
52特征选择 60
521特征选择问题 60
522信息增益 61
523信息增益比 64
53决策树的生成 64
531 ID3算法 65
532 C45的生成算法 66
54决策树的剪枝 66
55 CART算法 68
551 CART生成 69
552 CART剪枝 72
本章概要 74
继续阅读 75
习题 75
参考文献 75
第 6章逻辑斯谛回归与熵模型 77
61逻辑斯谛回归模型 77
611逻辑斯谛分布 77
612二项逻辑斯谛回归模型 78
613模型参数估计 79
614多项逻辑斯谛回归 79
62熵模型 80
621熵原理 80
622熵模型的定义 82
623熵模型的学习 83
624极大似然估计 86
63模型学习的化算法 87
631改进的迭代尺度法 87
632拟牛顿法 90
机器学习方法
本章概要 91
继续阅读 92
习题 92
参考文献 93
第 7章支持向量机 94
71线性可分支持向量机与硬间隔化 94
711线性可分支持向量机 94
712函数间隔和几何间隔 96
713间隔化 97
714学习的对偶算法 101
72线性支持向量机与软间隔化 106
721线性支持向量机 106
722学习的对偶算法 107
723支持向量 110
724合页损失函数 111
73非线性支持向量机与核函数 112
731核技巧 112
732正定核 115
733常用核函数 118
734非线性支持向量分类机 120
74序列小化算法 121
741两个变量二次规划的求解方法 122
742变量的选择方法 124
743 SMO算法 126
本章概要 127
继续阅读 129
习题 129
参考文献 129
第 8章 Boosting 131
81 AdaBoost算法 131
811 Boosting的基本思路 131
812 AdaBoost算法 132
813 AdaBoost的例子 134
82 AdaBoost算法的训练误差分析 135
83 AdaBoost算法的解释 137
831前向分步算法 137
832前向分步算法与 AdaBoost 138
目录 XI
84提升树 140
841提升树模
......
机器学习是以概率论、统计学、信息论、**化理论、计算理论等为基础的计算机应用理论学科，也是人工智能、数据挖掘等领域的基础学科。《机器学习方法》系统地介绍了机器学习的主要方法，共分三篇。篇介绍监督学习的主要方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与**熵模型、支持向量机、Boosting、EM算法、隐马尔可夫模型、条件随机场等；第二篇介绍无监督学习的主要方法，包括聚类、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配、PageRank算法等。第三篇介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型、生成对抗网络等。书中每章介绍一两种机器学习方法，详细叙述各个方法的模型、策略和算法。从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。目的是使读者能学会和使用这些机器学习的基本技术。为满足读者进一步学习的需要，书中还对各个方法的要点进行了总结，给出了一些习题，并列出了主要参考文献。 《机器学习方法》是机器学习及相关课程的教学参考书，适合人工智能、数据挖掘等专业的本科生、研究生使用，也供计算机各个领域的专业研发人员参考。
......
李航，字节跳动科技有限公司人工智能实验室总监， IEEE会士、ACL会士、ACM杰出科学家、CCF杰出会员。研究方向包括信息检索、自然语言处理、统计机器学习及数据挖掘。李航于1988年从日本京都大学电气工程系毕业，1998年获得日本东京大学计算机科学博士。他1990年至2001年就职于日本NEC公司中央研究所，任研究员；2001年至2012年就职于微软亚洲研究院，任研究员与主任研究员；2012年至2017年就职于华为技术有限公司诺亚方舟实验室，任首席科学家、主任。李航一直活跃在相关学术领域，曽出版过四部学术专著，并在国际学术会议和国际学术期刊上发表过120多篇学术论文，包括SIGIR, WWW, WSDM, ACL, EMNLP, ICML, NIPS, SIGKDD, AAAI, IJCAI，以及NLE, JMLR, TOIS, IRJ, IPM, TKDE, TWEB, TIST等。他和同事的论文获得了KDD2008应用论文奖，他指导的学生获得了SIGIR2008，ACL2012学生论文奖。李航参与了多项产品开发，包括Microsoft SQL Server 2005, Microsoft Office 2007, Microsoft Live Search 2008, Microsoft Bing 2009, Bing 2010, Office 2010, Office 2012，拥有42项授权美国。李航还在国际学术会议和国际学术期刊担任许多重要工作，如大会程序委员会，委员，及委员，期刊编委，包括SIGIR, WWW, WSDM, ACL, NAACL, EMNLP, NIPS,SIGKDD, ICDM, ACML, IJCAI, IRJ, TIST, JASIST, JCST等。
