具体描述
产品特色
编辑推荐
内容全面；结构合理；叙述清楚；深入浅出。人工智能领域中文的开山之作！
相关图书推荐：
人工智能领域的创新之作，三大主流方法的和谐统一！当今各种人工智能学说的集成创新。
A Must Read for AI
A Must Read for AI
内容简介
机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。
本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
作者简介
周志华，南京大学计算机系教授，ACM杰出科学家，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任，中国人工智能学会机器学习专业委员会主任，IEEE计算智能学会数据挖掘技术委员会副主席。
目录
目录
第1章 1
1.1 引言 1
1.2 基本术 2
1.3 假设空间 4
1.4 归纳偏好 6
1.5 发展历程 10
1.6 应用现状 13
1.7 阅读材料 16
习题 19
参考文献 20
休息一会儿 22
第2章 模型评估与选择 23
2.1 经验误差与过拟合 23
2.2 评估方法 24
2.2.1 留出法 25
2.2.2 交叉验证法 26
2.2.3 自助法 27
2.2.4 调参与最终模型 28
2.3 性能度量 28
2.3.1 错误率与精度 29
2.3.2 查准率、查全率与F1 30
2.3.3 ROC与AUC 33
2.3.4 代价敏感错误率与代价曲线 35
2.4 比较检验 37
2.4.1 假设检验 37
2.4.2 交叉验证t检验 40
2.4.3 McNemar检验 41
2.4.4 Friedman检验与后续检验 42
2.5 偏差与方差 44
2.6 阅读材料 46
习题 48
参考文献 49
休息一会儿 51
第3章 线性模型 53
3.1 基本形式 53
3.2 线性回归 53
3.3 对数几率回归 57
3.4 线性判别分析 60
3.5 多分类学习 63
3.6 类别不平衡问题 66
3.7 阅读材料 67
习题 69
参考文献 70
休息一会儿 72
第4章 决策树 73
4.1 基本流程 73
4.2 划分选择 75
4.2.1 信息增益 75
4.2.2 增益率 77
4.2.3 基尼指数 79
4.3 剪枝处理 79
4.3.1 预剪枝 80
4.3.2 后剪枝 82
4.4 连续与缺失值 83
4.4.1 连续值处理 83
4.4.2 缺失值处理 85
4.5 多变量决策树 88
4.6 阅读材料 92
习题 93
参考文献 94
休息一会儿 95
第5章 神经网络 97
5.1 神经元模型 97
5.2 感知机与多层网络 98
5.3 误差逆传播算法 101
5.4 全局最小与局部极小 106
5.5 其他常见神经网络 108
5.5.1 RBF网络 108
5.5.2 ART网络 108
5.5.3 SOM网络 109
5.5.4 级联相关网络 110
5.5.5 Elman网络 111
5.5.6 Boltzmann机 111
5.6 深度学习 113
5.7 阅读材料 115
习题 116
参考文献 117
休息一会儿 120
第6章 支持向量机 121
6.1 间隔与支持向量 121
6.2 对偶问题 123
6.3 核函数 126
6.4 软间隔与正则化 129
6.5 支持向量回归 133
6.6 核方法 137
6.7 阅读材料 139
习题 141
参考文献 142
休息一会儿 145
第7章 贝叶斯分类器 147
7.1 贝叶斯决策论 147
7.2 极大似然估计 149
7.3 朴素贝叶斯分类器 150
7.4 半朴素贝叶斯分类器 154
7.5 贝叶斯网 156
7.5.1 结构 157
7.5.2 学习 159
7.5.3 推断 161
7.6 EM算法 162
7.7 阅读材料 164
习题 166
参考文献 167
休息一会儿 169
第8章 集成学习 171
8.1 个体与集成 171
8.2 Boosting 173
8.3 Bagging与随机森林 178
8.3.1 Bagging 178
8.3.2 随机森林 179
8.4 结合策略 181
8.4.1 平均法 181
8.4.2 投票法 182
8.4.3 学习法 183
8.5 多样性 185
8.5.1 误差--分歧分解 185
8.5.2 多样性度量 186
8.5.3 多样性增强 188
8.6 阅读材料 190
习题 192
参考文献 193
休息一会儿 196
第9章 聚类 197
9.1 聚类任务 197
9.2 性能度量 197
9.3 距离计算 199
9.4 原型聚类 202
9.4.1 k均值算法 202
9.4.2 学习向量量化 204
9.4.3 高斯混合聚类 206
9.5 密度聚类 211
9.6 层次聚类 214
9.7 阅读材料 217
习题 220
参考文献 221
休息一会儿 224
第10章 降维与度量学习 225
10.1 k近邻学习 225
10.2 低维嵌入 226
10.3 主成分分析 229
10.4 核化线性降维 232
10.5 流形学习 234
10.5.1 等度量映射 234
10.5.2 局部线性嵌入 235
10.6 度量学习 237
10.7 阅读材料 240
习题 242
参考文献 243
休息一会儿 246
第11章 特征选择与稀疏学习 247
11.1 子集搜索与评价 247
11.2 过滤式选择 249
11.3 包裹式选择 250
11.4 嵌入式选择与L$_1$正则化 252
11.5 稀疏表示与字典学习 254
11.6 压缩感知 257
11.7 阅读材料 260
习题 262
参考文献 263
休息一会儿 266
第12章 计算学习理论 267
12.1 基础知识 267
12.2 PAC学习 268
12.3 有限假设空间 270
12.3.1 可分情形 270
12.3.2 不可分情形 272
12.4 VC维 273
12.5 Rademacher复杂度 279
12.6 稳定性 284
12.7 阅读材料 287
习题 289
参考文献 290
休息一会儿 292
第13章 半监督学习 293
13.1 未标记样本 293
13.2 生成式方法 295
13.3 半监督SVM 298
13.4 图半监督学习 300
13.5 基于分歧的方法 304
13.6 半监督聚类 307
13.7 阅读材料 311
习题 313
参考文献 314
休息一会儿 317
第14章 概率图模型 319
14.1 隐马尔可夫模型 319
14.2 马尔可夫随机场 322
14.3 条件随机场 325
14.4 学习与推断 328
14.4.1 变量消去 328
14.4.2 信念传播 330
14.5 近似推断 331
14.5.1 MCMC采样 331
14.5.2 变分推断 334
14.6 话题模型 337
14.7 阅读材料 339
习题 341
参考文献 342
休息一会儿 345
第15章 规则学习 347
15.1 基本概念 347
15.2 序贯覆盖 349
15.3 剪枝优化 352
15.4 一阶规则学习 354
15.5 归纳逻辑程序设计 357
15.5.1 最小一般泛化 358
15.5.2 逆归结 359
15.6 阅读材料 363
习题 365
参考文献 366
休息一会儿 369
第16章 强化学习 371
16.1 任务与奖赏 371
16.2 $K$-摇臂赌博机 373
16.2.1 探索与利用 373
16.2.2 $epsilon $-贪心 374
16.2.3 Softmax 375
16.3 有模型学习 377
16.3.1 策略评估 377
16.3.2 策略改进 379
16.3.3 策略迭代与值迭代 381
16.4 免模型学习 382
16.4.1 蒙特卡罗强化学习 383
16.4.2 时序差分学习 386
16.5 值函数近似 388
16.6 模仿学习 390
16.6.1 直接模仿学习 391
16.6.2 逆强化学习 391
16.7 阅读材料 393
习题 394
参考文献 395
休息一会儿 397
附录 399
A 矩阵 399
B 优化 403
C 概率分布 409
后记 417
索引 419
前言/序言
这是一本面向中文读者的机器学习教科书，为了使尽可能多的读者通过本书对机器学习有所了解，作者试图尽可能少地使用数学知识。然而，少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此，本书更适合大学三年级以上的理工科本科生和研究生，以及具有类似背景的对机器学习感兴趣的人士。为方便读者，本书附录给出了一些相关数学基础知识简介。
全书共16章，大体上可分为3个部分：第1部分包括第1~3章，介绍机器学习基础知识；第2部分包括第4~10章，介绍一些经典而常用的机器学习方法；第3部分包括第11~16章，介绍一些进阶知识。前3章之外的后续各章均相对独立，读者可根据自己的兴趣和时间情况选择使用。根据课时情况，一个学期的本科生课程可考虑讲授前9章或前10章；研究生课程则不妨使用全书。
书中除第1章外，每章都给出了十道习题。有的习题是帮助读者巩固本章学习，有的是为了引导读者扩展相关知识。一学期的一般课程可使用这些习题，再辅以两到三个针对具体数据集的大作业。带星号的习题则有相当难度，有些并无现成答案，谨供富有进取心的读者启发思考。
本书在内容上尽可能涵盖机器学习基础知识的各方面，但作为机器学习入门读物且因授课时间的考虑，很多重要、前沿的材料未能覆盖，即便覆盖到的部分也仅是管中窥豹，更多的内容留待读者在进阶课程中学习。为便于有兴趣的读者进一步钻研探索，本书每章均介绍了一些阅读材料，谨供读者参考。
笔者以为，对学科相关的重要人物和事件有一定了解，将会增进读者对该学科的认识。本书在每章最后都写了一个与该章内容相关的小故事，希望有助于读者增广见闻，并且在紧张的学习过程中稍微放松调剂一下。
书中不可避免地涉及大量外国人名，若全部译为中文，则读者在日后进一步阅读文献时或许会对不少人名产生陌生感，不利于进一步学习。
因此，本书仅对一般读者耳熟能详的名字如“图灵”等加以直接使用，对故事中的一些主要人物给出了译名，其他则保持外文名。
机器学习发展极迅速，目前已成为一个广袤的学科，罕有人士能对其众多分支领域均有精深理解。笔者自认才疏学浅，仅略知皮毛，更兼时间和精力所限，书中错谬之处在所难免，若蒙读者诸君不吝告知，将不胜感激。
用户评价
这本书的出现，无疑为我提供了一个难得的机会，去审视科技与艺术的边界。在当下这个信息爆炸的时代，我们常常被各种技术更新迭代的速度所裹挟，而文学，作为一种沉淀和反思的艺术形式，似乎离这种快节奏的科技发展有些距离。然而，这本书却大胆地将两者结合，这本身就足够令人兴奋。我非常期待它能带来怎样的思考。是关于数据如何影响我们的情感，还是关于算法如何塑造我们的认知？抑或是在浩瀚的星辰大海中，寻找人类意识的独特之处？我希望这本书能给我带来一些惊喜，一些意想不到的启示。也许，它会用一种全新的语言，重新定义我们理解世界的方式。
评分这本书刚入手就被它的名字吸引住了：《机器学习【首届京东文学奖-年度新锐入围作品】》。这个名字本身就带着一种特殊的质感，既有技术的前沿性，又不失文学的温度。作为一名对新技术保持好奇，同时也热爱阅读的读者，我毫不犹豫地将它加入购物车。拿到书的那一刻，更是爱不释手，封面设计简洁大气，细节处透露着精致。翻开书页，字里行间流淌出的气息，似乎比书名本身更加引人入胜。我迫不及待地想深入其中，去探索“机器学习”这个概念在文学创作中的奇妙碰撞，去感受“年度新锐”这份荣誉背后蕴含的独特视角和创新表达。我期待这本书能为我打开一扇新的认知之门，让我领略到科技与人文交融的魅力，或许还能从中发现一些我之前从未设想过的故事的可能性。
评分拿到这本书，就像收到了一份沉甸甸的礼物，里面包裹着作者对“机器学习”这一概念的独特理解和情感投射。我喜欢那种在字里行间能感受到作者用心打磨的痕迹，就像精密的算法需要精心的调试一样。这本书的名字，本身就有一种张力，将冰冷的科技与温暖的文学紧密地联系在一起。我非常好奇，作者是如何将那些抽象的概念，转化为生动的故事和鲜活的人物。是借由某个角色去理解和拥抱机器学习，还是通过一个发生在大数据时代的故事，来展现人性的光辉？我期待在这本书中，能看到那些既有深度又不失趣味的表达，那些能够引发我共鸣，同时又拓展我视野的文字。
评分我承认，一开始是被“京东文学奖-年度新锐入围作品”这个标签所吸引。这是一种市场和专业双重认可的信号，意味着它有可能在深度和广度上都达到一定的高度。而“机器学习”这个主题，则充满了现代感和前瞻性。我迫切想知道，在那些评审的目光看来，这本书的“新锐”之处体现在哪里？是其叙事手法的新颖，还是其思想的独特？我会在阅读过程中，特别关注那些可能颠覆我固有认知的情节和人物塑造。我想看看，作者是如何在科技的逻辑与人性的温度之间找到一个恰当的平衡点。我希望这本书能给我带来一次不同于以往的阅读体验，一次关于未来、关于人类、关于我们自身存在的深刻探讨。
评分我抱着一种探索未知的心态来阅读这本书的。对于“机器学习”这个词，我脑海中首先浮现的是复杂的算法、冰冷的数据和高效的机器。然而，这本书的名字却悄悄地暗示着，它并非一本枯燥的技术手册，而是将这份前沿的科技概念，融入了文学的叙事之中。我非常好奇作者是如何做到这一点的？是将机器学习的原理拟人化，还是将人类的情感与算法进行对比？抑或是通过构建一个充满科技元素的架空世界，来探讨人与技术之间的关系？这些疑问在我阅读的每一个章节都萦绕着。我期待在这本书中看到那些跳脱出传统框架的想象力，那些用文字构建出的、带有独特算法痕迹的人物和情节。或许，它会让我重新思考，在人工智能飞速发展的当下，我们作为人类，最本质的特质究竟是什么。
评分作为教材其实需要具备三个条件：印刷排版好，语言表达好，逻辑思路好。从这三点来说，这本书都完胜李航教授的《统计学习方法》，是一本非常值得推荐给机器学习入门者梳理知识以及机器学习从业者温故知新的书。希望周老师的下本书可以增加一些自己对于模型本身的思考和理解，那一定会更受欢迎。
评分书是好书，我觉得要认真学习。。。
评分我是鱼C的新虫子，一入鱼C深似海，每天不听鱼哥声音睡不着！
评分领导推荐的经典，国内水平比较高的学者，买来学习学习，内容偏理论，对于掌握理论还是很有好处
评分最基本的作用就是指导你如何一步步完成一篇论文的写作：选题、搜集资源、整合材料、列提纲、写初稿、准备终稿、通读校对等，帮助你自信地写出一篇成功的论文。除此之外，你会发现《的第16版还包含如下内容：1.新的论文范文。2.文献引注格式的最新信息。3.如何避免“剽窃”的最新信息。4.关于利用网络进行研究的最新资料。5.大量的书本、网上练习及活动。
评分好红红火火恍恍惚惚哈哈哈哈急急急哈哈好红红火火恍恍惚惚哈哈哈哈急急急哈哈
评分4.自学本来就慢，一会儿看书一会儿看论坛更TM慢了。
评分买贵了。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
评分那榆荫下的一潭，不是清泉，是天上虹；揉碎在浮藻间，沉淀着彩虹似的梦。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等，本站所有链接都为正版商品购买链接。
© 2025 windowsfront.com All Rights Reserved. 静流书站 版权所有