本書是一本淺顯易懂的機器學習入門教材,深入淺出地介紹了機器學習的基礎理論、模型與經(jīng)典方法,并適當融入了深度學習的前沿知識。全書共9章,主要內(nèi)容包括:機器學習概述、回歸模型(線性回歸、多項式回歸、嶺回歸、套索回歸、彈性網(wǎng)絡、邏輯斯諦回歸、Softmax回歸)、k*近鄰和kd樹算法、支持向量機、貝葉斯分類器與貝葉斯網(wǎng)絡、決策樹、集成學習(AdaBoost、GBDT、隨機森林和極端隨機樹)、聚類(k均值算法、BIRCH算法、DBSCAN算法、OPTICS算法)、深度學習(卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、生成式對抗網(wǎng)絡)。每章都附有小結(jié)與習題,便于讀者對知識的鞏固和融會貫通。
本書注重選材,內(nèi)容豐富,條理清晰,通俗易懂,著重突出機器學習方法的思想內(nèi)涵和本質(zhì),力求反映機器學習領域的核心知識體系和發(fā)展趨勢。
本書可作為高等院校智能科學與技術、數(shù)據(jù)科學與大數(shù)據(jù)技術、電子信息類等專業(yè)的高年級本科生、研究生的教材或教學參考書,也可供人工智能、數(shù)據(jù)科學、機器學習相關行業(yè)的工程技術人員學習參考。
前言
第1章機器學習概述1
1.1機器學習的概念與基本術語1
1.2人工智能、機器學習、深度學習三者的關系6
1.3機器學習的三個基本要素11
1.4機器學習模型的分類16
1.5數(shù)據(jù)預處理24
1.6模型選擇與評估29
1.7小結(jié)43
1.8習題43
第2章回歸模型45
2.1線性回歸45
2.2多項式回歸53
2.3線性回歸的正則化——嶺回歸和套索回歸54
2.4邏輯斯諦回歸58
2.5 Softmax回歸61
2.6小結(jié)63
2.7習題64
第3章 k-最近鄰和k-d樹算法66
3.1 k-最近鄰法66
3.2 k-d樹70
3.3小結(jié)75
3.4習題76
第4章 支持向量機77
4.1統(tǒng)計學習理論基礎77
4.2支持向量機的基本原理和特點84
4.3線性SVM90
4.4基于核函數(shù)的非線性SVM95
4.5多分類SVM96
4.6支持向量機的訓練100
4.7小結(jié)104
4.8習題105
第5章 貝葉斯分類器與貝葉斯網(wǎng)絡106
5.1貝葉斯方法106
5.2貝葉斯分類器113
5.3貝葉斯網(wǎng)絡119
5.4小結(jié)128
5.5習題129
第6章 決策樹130
6.1概述130
6.2決策樹學習134
6.3特征(或?qū)傩裕┻x擇135
6.4 ID3算法144
6.5 C4.5算法145
6.6CART算法146
6.7決策樹的剪枝149
6.8決策樹的優(yōu)缺點150
6.9小結(jié)151
6.10習題151
第7章 集成學習153
7.1集成學習概述153
7.2 AdaBoost算法159
7.3梯度提升決策樹(GBDT)160
7.4隨機森林和極端隨機樹163
7.5小結(jié)166
7.6習題168
第8章 聚類169
8.1聚類概述169
8.2 k-均值算法175
8.3 BIRCH算法178
8.4基于密度的聚類算法183
8.5小結(jié)190
8.6習題191
第9章 深度學習192
9.1人工神經(jīng)網(wǎng)絡基礎192
9.2卷積神經(jīng)網(wǎng)絡207
9.3循環(huán)神經(jīng)網(wǎng)絡218
9.4生成式對抗網(wǎng)絡226
9.5小結(jié)238
9.6習題239
附錄 縮略語英漢對照240
參考文獻242