科技
类型
可以朗读
语音朗读
423千字
字数
2021-02-01
发行日期
展开全部
主编推荐语
从事机器学习应用研究的初学者读物，可快速形成对机器学习技术总体思路的把握。
内容简介
从实战出发，内容全面，从基本概念入手，介绍了各种机器学习的基本类型。不仅仅有备受关注的深度神经网络学习，同时还介绍了近十年取得令人关注进展的其他机器学习分支。
本书着重于现代方法，但是也没有忘记详尽地介绍经典方法，刻画了机器学习学科发展历史上的各个里程碑式的重要成果，基本覆盖了机器学习技术各个时期的主要方向。
本书内容比较浅显，对大多数方法的介绍做到点到为止。有利于入门学生摆脱具体算法的纠缠，快速通读下去，避免信息破碎。同时，对各种方法的关联性做了重点阐述，有利于形成知识脉络。作者还对每种技术都给出了大量参考文献，便于读者根据个体需求深入学习。
上述这些特点对从事应用研究的初学者非常重要，基于这些信息，便于形成对机器学习技术总体思路的把握，从而可以在需要的时候能理清头绪，从众多机器学习方法中找到合适的工具。
目录
- 版权信息
- 内容简介
- 推荐序
- 前言
- 本书符号说明
- 本书使用说明
- 第1章 机器学习概述
- 1.1 什么是机器学习
- 1.2 机器学习的基本框架
- 1.3 机器学习发展简史
- 1.4 机器学习的流派
- 1.4.1 符号学派
- 1.4.2 贝叶斯学派
- 1.4.3 连接学派
- 1.4.4 进化仿生学派
- 1.4.5 哪个学派更占主流
- 1.5 让人惊讶的学习
- 1.5.1 从猴子摘香蕉到星际大战
- 1.5.2 集体学习的机器人
- 1.5.3 图片理解
- 1.5.4 金融市场量化分析
- 1.5.5 AlphaGo
- 1.6 机器学习技术的前沿
- 1.7 机器智能会超过人类智能吗
- 1.8 机器学习基础
- 1.8.1 训练、验证与测试
- 1.8.2 参数过拟合、交叉验证与正则化
- 1.8.3 结构过拟合与模型选择
- 1.8.4 机器学习方法分类
- 1.9 开始你的机器学习之旅
- 1.9.1 如何开始一个机器学习任务
- 1.9.2 如何学习机器学习
- 1.10 相关资源
- 第2章 线性模型
- 2.1 线性预测模型
- 2.1.1 从多项式拟合说起
- 2.1.2 线性回归
- 2.1.3 Fisher准则与线性分类
- 2.1.4 Logistic回归
- 2.1.5 小结
- 2.2 线性概率模型
- 2.2.1 主成分分析
- 2.2.2 概率主成分分析
- 2.2.3 概率线性判别分析
- 2.3 贝叶斯方法
- 2.4 本章小结
- 2.5 相关资源
- 第3章 神经模型
- 3.1 神经网络概述
- 3.1.1 什么是人工神经网络
- 3.1.2 神经模型与其他方法
- 3.2 基于映射的神经模型
- 3.2.1 从线性模型开始
- 3.2.2 多层感知器
- 3.2.3 径向基函数网络
- 3.2.4 神经网络模型与先验知识
- 3.3 基于记忆的神经模型
- 3.3.1 Kohonen网络
- 3.3.2 Hopfield网络
- 3.3.3 玻尔兹曼机
- 3.3.4 受限玻尔兹曼机
- 3.3.5 自编码器
- 3.4 基于过程的模型
- 3.4.1 Elman RNN
- 3.4.2 门网络
- 3.4.3 序列对序列网络
- 3.4.4 基于Attention模型的诗词生成
- 3.5 神经图灵机
- 3.6 本章小结
- 3.7 相关资源
- 第4章 深度学习
- 4.1 从浅层学习到深度学习
- 4.1.1 网络表达能力
- 4.1.2 层次表示与特征学习
- 4.1.3 显著特征的非监督学习
- 4.1.4 复杂结构与数据驱动
- 4.2 深度神经网络训练
- 4.2.1 基础训练算法
- 4.2.2 DNN训练的困难
- 4.2.3 DNN训练技巧
- 4.3 神经网络的正则化
- 4.3.1 结构化网络与参数共享
- 4.3.2 范式约束与稀疏网络
- 4.3.3 加噪训练与数据增强
- 4.3.4 联合训练
- 4.3.5 知识迁移
- 4.4 生成模型下的深度学习
- 4.4.1 神经网络的简单概率表达
- 4.4.2 后验拟合与Variational AE
- 4.4.3 Variational RNN
- 4.5 计算图与复杂神经网络
- 4.5.1 由Chain Rule到计算图
- 4.5.2 基于计算图的参数优化
- 4.5.3 计算图的模块化
- 4.5.4 计算图与深度神经网络
- 4.6 计算平台与方法
- 4.6.1 GPU与TPU
- 4.6.2 并行计算
- 4.6.3 模型压缩
- 4.7 深度学习的应用
- 4.7.1 语音信号处理
- 4.7.2 自然语言处理
- 4.7.3 计算机视觉
- 4.8 本章小结
- 4.9 相关资源
- 第5章 核方法
- 5.1 从线性回归到核方法
- 5.2 核函数的性质
- 5.2.1 再生核希尔伯特空间与Mercer定理
- 5.2.2 核函数的基本性质
- 5.3 常用核函数
- 5.3.1 简单核函数
- 5.3.2 概率核
- 5.3.3 复杂对象上的核函数
- 5.4 Kernel PCA
- 5.5 高斯过程
- 5.6 支持向量机
- 5.6.1 线性可分的SVM
- 5.6.2 线性不可分的SVM
- 5.6.3 v-SVM
- 5.6.4 SVM的若干讨论
- 5.7 相关向量机
- 5.8 本章小结
- 5.9 相关资源
- 第6章 图模型
- 6.1 概率图模型简介
- 6.2 有向图模型
- 6.2.1 典型模型
- 6.2.2 有向图变量相关性判断
- 6.3 无向图模型
- 6.3.1 无向图变量相关性判断
- 6.3.2 有向图向无向图转化
- 6.3.3 有向图和无向图对比
- 6.4 常用概率图模型
- 6.4.1 高斯混合模型
- 6.4.2 隐马尔可夫模型
- 6.4.3 线性条件随机场
- 6.5 EM算法
- 6.6 精确推理算法
- 6.6.1 加和—乘积算法
- 6.6.2 树状图的加和—乘积算法
- 6.6.3 联合树算法
- 6.7 近似推理算法
- 6.7.1 采样法
- 6.7.2 变分法
- 6.7.3 采样法和变分法比较
- 6.8 本章小结
- 6.9 相关资源
- 第7章 无监督学习
- 7.1 无监督学习任务
- 7.1.1 聚类概述
- 7.1.2 流形学习概述
- 7.1.3 因子学习
- 7.2 聚类方法
- 7.2.1 基于划分的聚类方法
- 7.2.2 基于连接的聚类方法
- 7.2.3 基于密度的聚类方法
- 7.2.4 基于模型的聚类方法
- 7.3 流形学习
- 7.3.1 主成分分析
- 7.3.2 多维标度
- 7.3.3 ISOMAP
- 7.3.4 自组织映射
- 7.3.5 局部线性嵌入
- 7.3.6 谱嵌入
- 7.3.7 t-SNE
- 7.3.8 流形学习方法比较
- 7.4 图模型与无监督学习
- 7.4.1 图模型下的聚类任务
- 7.4.2 图模型下的流形学习
- 7.4.3 图模型下的因子学习
- 7.5 神经模型与无监督学习
- 7.5.1 特征学习任务中的因子学习
- 7.5.2 生成任务中的因子学习
- 7.5.3 分类／回归任务中的因子学习
- 7.6 本章小结
- 7.7 相关资源
- 第8章 非参数模型
- 8.1 简单非参数模型
- 8.2 回顾高斯过程
- 8.2.1 高斯过程定义
- 8.2.2 高斯过程回归
- 8.2.3 高斯过程用于分类任务
- 8.3 狄利克雷过程
- 8.3.1 回顾高斯混合模型
- 8.3.2 中国餐馆问题
- 8.3.3 狄利克雷分布及性质
- 8.3.4 狄利克雷过程的定义
- 8.3.5 狄利克雷过程的表示
- 8.3.6 狄利克雷过程的构造
- 8.3.7 推理方法
- 8.3.8 Hierarchical DP（HDP）
- 8.4 本章小结
- 8.5 相关资源
- 第9章 演化学习
- 9.1 基于采样的优化方法
- 9.1.1 演化学习
- 9.1.2 群体学习与随机优化
- 9.2 遗传算法
- 9.2.1 算法框架
- 9.2.2 算法细节
- 9.2.3 进化理论
- 9.3 遗传编程
- 9.3.1 算法基础
- 9.3.2 GP高级话题
- 9.3.3 其他演化学习方法
- 9.4 群体学习方法
- 9.4.1 蚁群优化算法
- 9.4.2 人工蜂群算法
- 9.4.3 粒子群算法
- 9.4.4 捕猎者搜索
- 9.4.5 萤火虫算法
- 9.5 随机优化方法
- 9.5.1 模拟退火算法
- 9.5.2 杜鹃搜索
- 9.5.3 和声搜索
- 9.5.4 禁忌搜索
- 9.6 本章小节
- 9.7 相关资源
- 第10章 强化学习
- 10.1 强化学习概述
- 10.1.1 什么是强化学习
- 10.1.2 与其他学习方法的区别
- 10.1.3 强化学习的应用
- 10.2 强化学习的基本要素
- 10.2.1 强化学习三元素
- 10.2.2 长期收益
- 10.2.3 值函数与策略优化
- 10.2.4 通用策略迭代
- 10.2.5 强化学习算法分类
- 10.3 值函数学习：基于模型的规划算法
- 10.3.1 马尔可夫决策过程
- 10.3.2 MDP中的值函数
- 10.3.3 策略估值：动态规划算法
- 10.3.4 策略优化：策略迭代和值迭代
- 10.4 值函数学习：基于采样的蒙特卡罗方法
- 10.4.1 学习任务与采样方法
- 10.4.2 蒙特卡罗策略估值
- 10.4.3 蒙特卡罗策略优化
- 10.5 值函数学习：基于采样的时序差分方法
- 10.5.1 基于TD的策略估值
- 10.5.2 基于TD的策略优化
- 10.5.3 N-step TD与TD（λ）
- 10.5.4 三种值函数学习方法总结
- 10.6 模型学习
- 10.6.1 值函数学习与模型学习
- 10.6.2 模型学习方法
- 10.6.3 Dyna：混合学习方法
- 10.7 函数近似与策略学习
- 10.7.1 值函数近似
- 10.7.2 基于梯度的参数优化
- 10.7.3 基于函数近似的策略学习
- 10.7.4 Actor-Critic方法
- 10.8 深度强化学习方法
- 10.8.1 Atari游戏
- 10.8.2 AlphaGo
- 10.9 本章小结
- 10.10 相关资源
- 第11章 优化方法
- 11.1 函数优化
- 11.1.1 优化问题定义
- 11.1.2 优化问题分类
- 11.1.3 基础定理
- 11.2 无约束优化问题
- 11.2.1 线性搜索
- 11.2.2 置信域优化
- 11.3 带约束优化问题
- 11.3.1 拉格朗日乘子法
- 11.3.2 对偶问题
- 11.3.3 线性规划
- 11.3.4 二阶规划
- 11.3.5 一般非线性优化
- 11.4 本章小结
- 11.5 相关资源
- 参考文献
展开全部
评分及书评
评分不足
1个评分
出版方
清华大学出版社
清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。
