机器学习导论查看源代码讨论查看历史
| 机器学习导论 |
《机器学习导论(原书第2版)》讨论了机器学习在统计学、模式识别、神经网络、人工智能、信号处理等不同领域的应用，其中涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较以及增强学习。《机器学习导论(原书第2版)》可供完成计算机程序设计、概率论、微积分和线性代数课程的高年级本科生和研究生使用，也可供对机器学习感兴趣的工程技术人员参考。
图书信息
书 名: 机器学习导论
作 者：阿培丁
出版社： 机械工业出版社
出版时间： 2009年06月
ISBN: 9787111265245
开本： 16开
定价: 39元
内容简介
《 机器学习导论》对机器学习的定义和应用实例进行了介绍，涵盖了 监督学习。 贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、 决策树。线性 判别式、多层 感知器，局部模型、 隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。机器学习的目标是对 计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为， 人脸识别或 语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《 机器学习导论》讨论了机器学习在统计学、 模式识别、神经网络。人工智能。 信号处理、控制和 数据挖掘等不同领域的应用。对所有学习算法都进行了解释，以便读者可以容易地将书中的公式转变为 计算机程序。《机器学习导论》可作为高等院校 计算机相关专业高年级本科生和研究生的教材，也可供研究 机器学习方法的技术人员参考。
作者简介
Ethem Alpaydin，是土耳其 伊斯坦布尔博 阿齐奇大学计算机工程系的教授。于1990年在 洛桑联邦理工学院获 博士学位，之后先后在美国麻省理工和 伯克利大学工作和进行博士后研究。Ethem博士主要从事 机器学习方面的研究，是 剑桥大学的《The Computer Journal》杂志编委和Elsevier的《 Pattern Recognition》杂志的副主编。2001年和2002年，Ethem博士先后获得土耳其科学院青年科学家奖和土耳其科学与技术研究委员会科学奖。
图书目录
出版者的话
中文版序
译者序
前言
致谢
符号表
第1章 绪论
1．1 什么是机器学习
1．2 机器学习的应用实例
1．2．1 学习 关联性
1．2．2 分类
1．2．3 回归
1．2．4 非监督学习
1．2．5 增强学习
1．3 注释
1．4 相关资源
1．5 习题
1．6 参考文献
第2章 监督学习
2．1 由实例学习类
2．2 VC维
2．3 概率逼近正确学习
2．4 噪声
2．5 学习多类
2．6 回归
2．7 模型选择与泛化
2．8 监督机器学习算法的维
2．9 注释
2．10 习题
2．11 参考文献
第3章 贝叶斯决策定理
3．1 引言
3．2 分类
3．3 损失与风险
3．4 判别式函数
3．5 效用理论
3．6 信息值
3．7 贝叶斯网络
3．8 影响图
3．9 关联规则
3．10 注释
3．11 习题
3．12 参考文献
第4章 参数方法
4．1 引言
4．2 最大似然估计
4．2．1 伯努利密度
4．2．2 多项密度
4．2．3 高斯(正态)密度
4．3 评价估计： 偏倚和 方差
4．4 贝叶斯估计
4．5 参数分类
4．6 回归
4．7 调整模型的 复杂度： 偏倚／方差两难选择
4．8 模型选择过程
4．9 注释
4．10 习题
4．11 参考文献
第5章 多元方法
5．1 多 元数据
5．2 参数估计
5．3 缺失值估计
5．4 多元 正态分布
5．5 多元分类
5．6 调整复杂度
5．7 离散特征
5．8 多元回归
5．9 注释
5．10 习题
5．11 参考文献
第6章 维度归约
6．1 引言
6．2 子集选择
6．3 主成分分析
6．4 因子分析
6．5 多维定标
6．6 线性 判别分析
6．7 注释
6．8 习题
6．9 参考文献
第7章 聚类
7．1 引言
7．2 混合密度
7．3 平 均值聚类
7．4 期望最大化算法
7．5 潜在变量 混合模型
7．6 聚类后的监督学习
7．7 层次聚类
7．8 选择簇个数
7．9 注释
7．10 习题
7．11 参考文献
第8章 非参数方法
8．1 引言
8．2 非参数密度估计
8．2．1 直方图估计
8．2．2 核估计
8．2．3 ％-最近邻估计
8．3 到多变 元数据的推广
8．4 非参数分类
8．5 精简的最近邻
8．6 非参数回归：光滑模型
8．6．1 移动均值光滑
8．6．2 核光滑
8．6．3 移动线光滑
8．7 如何选择光滑参数
8．8 注释
8．9 习题
8．10 参考文献
第9章 决策树
9．1 引言
9．2 单变量树
9．2．1 分类树
9．2．2 回归树
9．3 剪枝
9．4 由决策树提取规则
9．5 由数据学习规则
9．6 多变量树
9．7 注释
9．8 习题
9．9 参考文献
第10章 线性判别式
10．1 引言
10．2 推广线性模型
10．3 线性判别式的几何意义
10．3．1 两类问题
10．3．2 多类问题
10．4 逐对分离
10．5 参数判别式的进一步讨论
10．6 梯度下降
10．7 逻辑斯谛判别式
10．7．1 两类问题
10．7．2 多类问题
10．8 回归判别式
10．9 支持 向量机
10．9．1 最佳分离 超平面
10．9．2 不可分情况：软边缘超平面
10．9．3 核函数
10．9．4 用于回归的 支持向量机
10．10 注释
10．11 习题
10．12 参考文献
第11章 多层感知器
11．1 引言
11．1．1 理解 人脑
11．1．2 神经网络作为 并行处理的典范
11．2 感知器
11．3 训练感知器
11．4 学习 布尔函数
11．5 多层感知器
11．6 MLP作为通用逼近器
11．7 后向传播算法
11．7．1 非线性回归
11．7．2 两类判别式
11．7．3 多类判别式
11．7．4 多个隐藏层
11．8 训练过程
11．8．1 改善收敛性
11．8．2 过分训练
11．8．3 构造网络
11．8．4 线索
11．9 调整网络规模
11．10 学习的 贝叶斯观点
11．11 维度归约
11．12 学习时间
11．12．1 时间延迟神经网络
11．12．2 递归网络
11．13 注释
11．14 习题
11．15 参考文献
第12章 局部模型
12．1 引言
12．2 竞争学习
12．2．1 在线均值
12．2．2 自适应 共鸣理论
12．2．3 自组织映射
12．3 径向基函数
12．4．结合基于规则的知识
12．5 规范化基函数
12．6 竞争的基函数
12．7 学习向量量化
12．8 混合专家模型
12．8．1 协同专家模型
12．8．2 竞争专家模型
12．9 层次混合专家模型
12．10 注释
12．11 习题
12．12 参考文献
第13章 隐马尔可夫模型
13．1 引言
13．2 离散 马尔可夫过程
13．3 隐马尔可夫模型
13．4 HMM的三个基本问题
13．5 估值问题
13．6 寻找状态序列
13．7 学习模型参数
13．8 连续观测
13．9 带输入的HMM
13．10 HNMqItl的模型选择
13．11 注释
13．12 习题
13．13 参考文献
第14章 分类算法评估和比较
14．1 引言
14．2 交叉确认和再 抽样方法
14．2．1 K．折交叉确认
14．2．2 5~2交叉确认
14．2．3 自助法
14．3 误差度量
14．4 区间估计
14．5 假设检验
14．6 评估分类算法的性能
14．6．1 二项检验
14．6．2 近似 正态检验
14．6．3 配对￡检验
14．7 比较两个分类算法
14．7．1 McNemar-检验
14．7．2 K-折交叉确认配对 t检验
14．7．3 5x2交叉确认配对t检验
14．7．4 5x2交叉确认配对 F检验
14．8 比较多个分类算法： 方差分析
14．9 注释
14．10 习题
14．11 参考文献
第15章 组合多学习器
15．1 基本原理
15．2 投票法
15．3 纠错输出码
15．4 装袋
15．5 提升
15．6 重温混合专家模型
15．7 层叠泛化
15．8 级联
15．9 注释
15．10 习题
15．11 参考文献
第16章 增强学习
16．1 引言
16．2 单状态情况：K臂 赌博机问题
16．3 增强学习基础
16．4 基于模型的学习
16．4．1 价值迭代
16．4．2 策略迭代
16．5 时间差分学习
16．5．1 探索策略
16．5．2 确定性奖励和动作
16．5．3 确定性奖励和动作
16．5．4 资格迹
16．6 推广
16．7 部分可观测状态
16．8 注释
16．9 习题
16．10 参考文献
附录A 概率论
索引
……
推荐
《机器学习导论(原书第2版)》是最佳的机器学习入门教材。全面讨论机器学习方法和技术，层次合理、叙述清晰、难度适中。涵盖了经典的机器学习算法和理论，同时补充了近年来新出现的机器学习方法。
前言
机器学习使用实例数据或过去的经验训练计算机，以优化性能标准。当人们不能直接编写计算机程序解决给定的问题，而是需要借助于实例数据或经验时，就需要学习。一种需要学习的情况是人们没有专门技术，或者不能解释他们的专门技术。以语音识别，即将声学语音信号转换成ASCII文本为例。看上去我们可以毫无困难地做这件事，但是我们却不能解释我们是如何做的。由于年龄、性别或口音的差异，不同的人读相同的词发音却不同。在机器学习中，这个问题的解决方法是从不同的人那里收集大量发音样本，并学习将它们映射到词。
另一种需要学习的情况是要解决的问题随时间变化或依赖于特定的环境。我们希望有一个能够自动适应环境的通用系统，而不是为每个特定的环境编写一个不同的程序。以计算机网络上的包传递为例。最大化服务质量的、从源地到目的地的路径随网络流量的改变而改变。学习路由程序能够通过监视网络流量自动调整到最佳路径。另一个例子是智能用户界面，它能够自动适应用户的生物特征，即用户的口音、笔迹、工作习惯等。
机器学习在各个领域都有许多成功的应用：已经有了识别语音和笔迹的商用系统。零售商分析他们过去的销售数据，了解顾客行为，以便改善顾客关系管理。金融机构分析过去的交易，以便预测顾客的信用风险。机器人学习优化它们的行为，以便使用最少的资源来完成任务。在生物信息学方面，使用计算机不仅可以分析海量数据，而且还可以提取知识。这些只是我们（即你和我）将在本书讨论的应用的一部分。我们只能想象一下可使用机器学习实现的未来应用：可以在不同的路况、不同的天气条件下自己行驶的汽车，可以实时翻译外语的电话，可以在新环境（例如另一个星球的表面）航行的自动化机器人。机器学习的确是一个令人激动的研究领域！
本书讨论的许多方法都源于各种领域：统计学、模式识别、神经网络、人工智能、信号处理、控制和数据挖掘。过去，这些不同领域的研究遵循不同的途径，侧重点也不同。本书旨在把它们组合在一起，给出问题的统一处理并提供它们的解。 本书是一本入门教材，用于高年级本科生和研究生的机器学习课程，以及在业界工作、对这些方法的应用感兴趣的工程技术人员。预备知识是计算机程序设计、概率论、微积分和线性代数方面的课程。本书的目标是充分解释所有的学习算法，使得从本书给出的方程到计算机程序只是一小步。为了使这一任务更容易完成，对于某些情况，我们给出了算法的伪代码。 适当选取一些章节，本书可用作一学期的课程。再额外讨论一些研究论文的话，本书也可以用作两学期的课程，这时每章后的参考文献将很有用。
我非常喜欢写这本书，希望你能喜欢读它。[1]