基本信息 | 书名： | 机器学习精讲(基础算法及应用原书第2版)/智能科学与技术丛书 |
| 作者： | (美)杰瑞米·瓦特(Jeremy Watt)，(美)雷萨·博哈尼(Reza Borhani)，(美)阿格洛斯·K.卡萨格罗斯(Aggelos K. Katsaggelos)著 |
| 出版社： | 机械工业出版社 |
| 出版日期： | 2022-01-01 |
| 版次： | 1版1次 |
| ISBN： | 9787111699408 |
| 市场价： | 149.0 |
目录 译者序
前言
致谢
作译者简介
第1章机器学习概论1
1.1引言1
1.2利用机器学习方法区分猫和狗1
1.3机器学基本体系4
1.3.1监督学习5
1.3.2无监督学习10
1.4数学优化11
1.5小结11
部分数学优化
第2章零阶优化技术142.1引言14
2.2零阶优条件15
2.3全局优化方法16
2.4局部优化方法18
2.4.1概览18
2.4.2一般框架18
2.4.3步长参数19
2.5搜索20
2.5.1概览21
2.5.2步长控制21
2.5.3基本步长规则23
2.5.4递减步长规则24
2.5.5搜索和维度灾难25
2.6坐标搜索和下降法26
2.6.1坐标搜索26
2.6.2坐标下降26
2.7小结27
2.8习题28
第3章一阶优化技术303.1引言30
3.2一阶优条件30
3.2.1可手工求解的一阶方程组的特例32
3.2.2坐标下降和一阶优条件33
3.3一阶泰勒级数的几何图形35
3.3.1超平面35
3.3.2陡上升与陡下降方向35
3.3.3梯度和陡上升/下降方向36
3.4梯度的计算36
3.5梯度下降37
3.5.1梯度下降法的基本步长选择39
3.5.2代价函数历史图中的振荡：不是坏事41
3.5.3收敛准则42
3.5.4Python实现43
3.6梯度下降法的固有缺陷43
3.6.1(负)梯度方向的缺陷是如何产生的44
3.6.2(负)梯度方向44
3.6.3梯度下降法的之字形走向45
3.6.4梯度下降法中的 “慢爬”现象46
3.7小结48
3.8习题48
第4章二阶优化技术51
4.1二阶优条件51
4.2二阶泰勒级数的几何形状53
4.2.1单输入二次函数的一般形状53
4.2.2多输入二次函数的一般形状53
4.2.3局部曲率和二阶泰勒级数54
4.3牛顿法55
4.3.1下降方向55
4.3.2算法57
4.3.3确保数值稳定59
4.3.4步长选择60
4.3.5牛顿法作为一种zerofinding算法60
4.3.6Python实现61
4.4牛顿法的固有缺陷62
4.4.1小化非凸函数62
4.4.2扩展的限制62
4.5小结63
4.6习题63
部分线学习
第5章线回归685.1引言68
5.2小二乘法线回归68
5.2.1符号和建模68
5.2.2小二乘代价函数69
5.2.3小二乘代价函数的小化70
5.2.4Python实现72
5.3小偏差74
5.3.1小二乘对离群点的敏感74
5.3.2用误差代替平方误差75
5.4回归质量度量76
5.4.1使用训练得到的模型进行预测76
5.4.2判断训练模型的质量77
5.5加权回归78
5.5.1处理副本78
5.5.2置信度加权79
5.6多输出回归79
5.6.1符号和建模79
5.6.2代价函数80
5.6.3Python实现81
5.7小结82
5.8习题82
5.9尾注84
第6章线二分类问题866.1引言86
6.2逻辑回归和交叉熵代价函数86
6.2.1符号和建模86
6.2.2拟合一个非连续阶梯函数87
6.2.3逻辑sigmoid函数89
6.2.4使用小二乘代价函数的逻辑回归89
6.2.5使用交叉熵代价函数的逻辑回归90
6.2.6小化交叉熵代价函数91
6.2.7Python实现92
6.3逻辑回归和Softmax 代价函数92
6.3.1不同的标签，同样的故事93
6.3.2Python实现94
6.3.3含噪声的分类数据集96
6.4感知机96
6.4.1感知机代价函数96
6.4.2小化感知机代价函数98
6.4.3感知机的Softmax近似98
6.4.4Softmax代价函数和线可分离数据集99
6.4.5归一化特征相关权值100
6.4.6二分类问题的正则化102
6.5支持向量机103
6.5.1边界感知机103
6.5.2与Softmax代价函数的关系104
6.5.3大边距决策边界105
6.5.4硬边界和软边界SVM问题106
6.5.5SVM和含噪数据107
6.6哪种方法能产生好的结果108
6.7分类交叉熵代价函数108
6.7.1采用onehot编码的分类标签108
6.7.2非线度的选择109
6.7.3代价函数的选择109
6.8分类质量指标110
6.8.1使用训练好的模型进行预测110
6.8.2置信度评分110
6.8.3利用率评价训练模型的质量111
6.8.4利用平衡率评价训练模型的质量112
6.8.5混淆矩阵和附加的质量指标113
6.9加权二分类问题114
6.9.1加权二分类115
6.9.2按置信度对点进行加权处理115
6.9.3处理类不平衡问题116
6.10小结117
6.11习题117
第7章线多分类问题1197.1引言119
7.2OneversusAll多分类问题119
7.2.1符号和建模119
7.2.2训练C个OneversusAll分类器119
7.2.3情形1：点在单个分类器的正侧120
7.2.4情形2：点在一个以上分类器的正侧121
7.2.5情形3：点不在任何分类器的正侧122
7.2.6综合应用123
7.2.7OneversusAll算法124
7.3多分类问题与感知机125
7.3.1多分类感知机代价函数125
7.3.2小化多分类感知机代价函数126
7.3.3多分类感知机代价函数的替代公式126
7.3.4多分类感知机的正则化问题127
7.3.5多分类Softmax代价函数127
7.3.6小化多分类 Softmax代价函数128
7.3.7多分类Softmax代价函数的替代公式128
7.3.8正则化与多分类 Softmax代价函数129
7.3.9Python实现129
7.4哪种方法能产生好的结果130
7.5分类交叉熵代价函数131
7.5.1离散概率分布131
7.5.2指数归一化132
7.5.3指数归一化符号距离132
7.5.4分类和分类交叉熵代价函数133
7.6分类质量指标135
7.6.1利用训练好的模型进行预测135
7.6.2置信度评分136
7.6.3利用率评价训练模型的质量136
7.6.4处理不平衡类的质量指标136
7.7加权多分类问题138
7.8和小批量学习138
7.9小结139
7.10习题140
第8章线无监督学习142
8.1引言142
8.2固定的生成集、正交和投影142
8.2.1符号142
8.2.2使用固定生成集地表示数据143
8.2.3使用固定正交生成集地表示数据144
8.2.4使用固定生成集不地表示数据145
8.3线自动编码器和主成分分析145
8.3.1学生成集146
8.3.2线自动编码146
8.3.3主成分分析147
8.3.4Python实现149
系统149
8.4.1动机149
8.4.2符号和建模150
8.5K均值聚类150
8.5.1通过簇表示数据集151
8.5.2学习表示数据的簇152
8.6通用矩阵分解技术154
8.6.1无监督学习和矩阵分解问题154
8.6.2更多的变体156
8.7小结157
8.8习题157
8.9尾注158
8.9.1自动编码器的小值都是正交矩阵158
8.9.2主成分的形式推导159
第9章特征工程和特征选择161
9.1引言161
9.2直方图特征161
9.2.1分类数据的直方图特征162
9.2.2文本数据的直方图特征163
9.2.3图像数据的直方图特征165
9.2.4音频数据的直方图特征169
9.3通过标准归一化实现特征缩放170
9.3.1标准归一化170
9.3.2标准归一化模型173
9.4在数据集中估算缺失值173
9.5通过PCA白化进行特征缩放173
9.5.1PCA白化：概览174
9.5.2PCA白化：技术细节174
9.5.3PCA白化模型176
9.6利用提升法进行特征选择176
9.6.1基于提升法的特征选择176
9.6.2利用提升法选择正确数量的特征177
9.6.3提升法的效率179
9.6.4从残差视角理解提升法回归179
9.7基于正则化的特征选择179
9.7.1使用权值向量范数进行正则化179
9.7.2利用1正则化进行特征选择180
9.7.3选择合适的正则化参数181
9.7.4比较正则化和提升法182
9.8小结182
9.9习题183
第三部分非线学习
第10章非线特征工程原理18610.1引言186
10.2非线回归186
10.2.1建模原理186
10.2.2特征工程188
10.2.3Python实现190
10.3非线多输出回归191
10.3.1建模原理191
0.3.2特征工程192
10.3.3Python实现193
10.4非线二分类问题193
10.4.1建模原理193
10.4.2特征工程194
10.4.3Python实现196
10.5非线多分类问题196
0.5.1建模原理197
10.5.2特征工程198
10.5.3Python实现199
10.6非线无监督学习199
10.6.1建模原理199
10.6.2特征工程200
10.7小结201
10.8习题201
第11章特征学习原理20511.1引言205
1.1.1非线特征工程的限制205
11.1.2内容概览206
11.1.3特征学复杂度刻度盘比喻206
11.2通用逼近器207
11.2.1数据207
11.2.2通用逼近的生成集类比209
11.2.3常用的通用逼近器213
11.2.4容量刻度盘和优化刻度盘215
11.3真实数据的通用逼近217
11.3.1典型例子218
11.3.2再论容量刻度盘和优化刻度盘222
11.3.3新度量工具的出现224
11.3.4验证错误225
11.4简单的交叉验证226
11.4.1概览226
11.4.2简单交叉验证的问题230
11.5通过提升法进行有效的交叉验证230
11.5.1概览230
11.5.2技术细节232
11.5.3早停法234
11.5.4廉价但有效的234
11.5.5与特征选择的相似235
11.5.6带有回归的残差视角236
11.6借助正则化的交叉验证237
11.6.1概览237
11.6.2基于早停法的正则化239
11.6.3基于正则化器的方法242
11.6.4与特征选择正则化的相似244
11.7测试数据245
11.7.1过拟合验证数据245
11.7.2测试数据和测试误差246
11.8哪一个通用逼近器在实践中工作得好247
11.9装袋法交叉验证模型248
11.9.1装袋法回归模型248
11.9.2装袋法分类模型250
11.9.3实际中应该装袋多少个模型253
11.9.4集成：装袋法和提升法253
11.10K折交叉验证253
11.10.1K折交叉验证过程253
11.10.2K折交叉验证和高维线建模255
11.11特征学习失败256
11.12小结257
11.13习题258
第12章核方法260
12.1引言260
12.2定形通用逼近器260
12.2.1三角函数通用逼近器260
12.2.2高输入的定形逼近器的扩展261
12.3核技巧262
12.3.1线代数基本定理中的一个有用事实2
内容介绍 本教程通过阐述直观而严谨的机器学习方法，为学生学习和掌握研究和构建数据驱动产品所需的基本知识和实用工具。内容优先解析几何直觉和算法思维，为学生提供新颖和易于学；书中也强调机器学习结合实际应用括计算机视觉、自然语言处理、经济学、神经系统、物理学和生物学案例分析；作者精心设计300多幅彩色插图，让读者能够直观地掌握技术概念，另配100多个深入的编程练习(Python)，为读者提供了对关键机器学真正理解。本书还在网上提供了一整套在线教辅资源括示例代码、数据集、交互式讲座幻灯片和习题解答，既可用于研究生机器学习课程教学，又能帮助个人自学参考使用。
在线试读 
媒体评论 本书由美国西北大学教授撰写，经过多年教学实践积累，教辅材料丰富，多个知名大学专家教
1.本书由三位美国西北大学教授共同撰写，分享他们多年积累的课程教学和实践经验。该教材获得多个有名大学专家教。2.该书英文版配套了丰富的教辅资源括示例代码、数据集、幻灯片和习题解答。需要使用本书作为教材的教师可以向剑桥大学出版社北京代表处申请solutions@cambridge.org，或者在网上.cambridge.org/watt申请。3.本书可作为大学相关专业的教材，既适合相关专业的本科生和研究生，又适合相关领域的工程师和研究人员。
在线试读 
