新書推薦：
《
法兰西内战（寰宇文献）
》
售價：NT$
2438.0
《
游戏的力量：游戏如何塑造我们的世界
》
售價：NT$
352.0
《
新印象：Unity游戏开发实例教程
》
售價：NT$
607.0
《
俗世奇人 手绘珍藏本（新增）
》
售價：NT$
398.0
![世界巅峰的经济学教室：来自著名经济学家的12堂课 [日]广野彩子](http://103.6.6.66/upload/mall/productImages/25/9/9787111762737.jpg)
《
世界巅峰的经济学教室：来自著名经济学家的12堂课 [日]广野彩子
》
售價：NT$
408.0
《
南京小传
》
售價：NT$
250.0
《
风雪唐古拉
》
售價：NT$
179.0
《
数字鸿沟：科技时代美国学校如何制造不平等
》
售價：NT$
352.0
|
| 編輯推薦： |
本书是配套周志华教授所著的《机器学习》教材的习题集和教学参考书，通过大量习题考查读者对机器学习相关知识点的理解与掌握。全书分为两个部分：第一部分习题对应《机器学习》第1-10章的内容，包括绪论、模型评估与选择、线性模型、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；第二部分包含6章应用专题，通过综合题的形式对知识点进行多角度考查，包括线性模型的优化与复用、面向类别不平衡数据的分类、神经网络的优化与应用、EM算法及其应用、集成学习的过拟合现象研究、度量学习及其应用。书中包含简答题、计算题和编程题，涵盖不同难度级别。机器学习初学者可以通过这些习题深入了解和巩固教材的关键概念，对机器学习有一定基础的读者也可以通过习题发现对一些知识点不同角度的解读，为后续机器学习的深入研究打下基础。
本书面向“西瓜书”《机器学习》教材读者以及广大机器学习爱好者，可作为高等院校人工智能、计算机、自动化及相关专业的本科生或研究生的教学辅助书籍，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。
|
| 內容簡介： |
本书配套周志华教授所著的《机器学习》教材，通过大量习题考查读者对机器学习相关知识点的理解与掌握。全书分为两个部分：第一部分习题对应《机器学习》第1~10章的内容，包括绪论、模型评估与选择、线性模型、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；第二部分包含6章应用专题，通过综合题的形式对知识点进行多角度考查，包括线性模型的优化与复用、面向类别不平衡数据的分类、神经网络的优化与应用、EM算法及其应用、集成学习的过拟合现象研究、度量学习及其应用。书中包含简答题、计算题和编程题，涵盖不同难度级别，机器学习初学者可以通过这些习题深入了解和巩固教材的关键概念，对机器学习有一定基础的读者也可以通过习题发现对一些知识点不同角度的解读，为后续机器学习的深入研究打下基础。
本书面向《机器学习》读者以及广大机器学习爱好者，可作为高等院校人工智能、计算机、自动化及相关专业的本科生或研究生的教学辅助书籍，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。
|
| 關於作者： |
|
叶翰嘉，现任南京大学人工智能学院准聘副教授，在南京大学机器学习与数据挖掘研究所（LAMDA）从事学术研究工作。主要的研究方向包括表示学习、元学习、模型复用等领域。叶翰嘉在机器学习等领域发表TPAMI、ICML等学术论文二十余篇；受邀担任SDM Tutorial/Doctoral Forum主席， ECML、IJCAI领域主席/高级程序委员会成员，CCF-AI执行委员；作为核心成员参与“新一代人工智能”重大项目，主持国家自然科学基金青年项目，CCF-百度松果基金项目，CCF-海康威视斑头雁基金项目，被评为华为“耀星学者”，获得CCF优秀博士学位论文奖、江苏省计算机学会青年科技奖。
|
| 目錄：
|
目录
推荐序
前言
基础考评篇
第1章 绪论2
1.1 基本术语2
1.2 假设空间5
1.3 归纳偏好9
1.4 矩阵、优化和概率分布13
参考文献21
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26
2.3 性能度量31
2.4 比较检验41
2.5 偏差与方差43
参考文献47
第3章 线性模型49
3.1 线性回归49
3.2 对数几率回归60
3.3 线性判别分析63
3.4 多分类学习74
参考文献78
第4章 决策树80
4.1 基本流程80
4.2 划分选择81
4.3 剪枝处理90
4.4 连续与缺失值93
4.5 多变量决策树100
参考文献105
第5章 神经网络106
5.1 感知机与多层网络106
5.2 误差逆传播算法112
5.3 全局最小与局部极小128
5.4 其他常见神经网络130
参考文献132
第6章 支持向量机134
6.1 间隔、支持向量与对偶问题134
6.2 软间隔与正则化142
6.3 核函数154
6.4 核方法158
参考文献160
第7章 贝叶斯分类器162
7.1 贝叶斯决策论162
7.2 极大似然估计166
7.3 朴素贝叶斯分类器179
7.4 贝叶斯网188
参考文献190
第8章 集成学习191
8.1 Boosting191
8.2 Bagging与随机森林201
8.3 结合策略207
8.4 多样性211
8.5 集成剪枝222
参考文献223
第9章 聚类225
9.1 距离计算225
9.2 k均值算法229
9.3 高斯混合聚类249
9.4 性能度量251
9.5 密度聚类与层次聚类254
参考文献262
第10章 降维与度量学习263
10.1 k近邻学习263
10.2 维数灾难265
10.3 主成分分析268
10.4 核化线性降维287
10.5 低维嵌入与流形学习288
10.6 度量学习291
参考文献295
综合应用篇
第11章 线性模型的优化与复用298
11.1 数据获取和预处理298
11.2 岭回归分类器的优化方法探究302
11.3 线性模型的参数选择314
11.4 线性模型的参数复用320
参考文献324
第12章 面向类别不平衡数据的分类326
12.1 类别不平衡现象与评价指标326
12.2 类别不平衡模型初探334
12.3 基于采样的“再缩放”方法340
12.4 类别不平衡问题的多分类扩展348
参考文献356
第13章 神经网络的优化与应用357
13.1 数值求导和自动求导357
13.2 神经网络优化实例362
13.3 BP算法的回顾与思考374
13.4 SOM神经网络377
参考文献385
第14章 EM算法及其应用387
14.1 数据中的隐变量387
14.2 EM算法的迭代优化视角391
14.3 EM算法的隐变量视角396
14.4 EM算法应用实例——缺失值处理398
参考文献413
第15章 集成学习的过拟合现象研究415
15.1 分布有偏移数据集的构造和划分415
15.2 机器学习中的过拟合现象418
15.3 AdaBoost的多分类算法实现425
15.4 AdaBoost是否会过拟合433
参考文献437
第16章 度量学习及其应用438
16.1 近邻分类器438
16.2 降维方法的评价444
16.3 度量学习448
16.4 度量学习的回顾与思考461
参考文献466
|
| 內容試閱：
|
前言
机器学习是人工智能的核心领域之一，其理论和方法的教学、教材建设受到广泛关注，对培养人工智能高端人才极为重要。近年来大量优秀的机器学习相关书籍相继出版，它们详细介绍了机器学习的基础知识、常用算法或前沿技术。在学习机器学习之余，结合相应的习题、编程实践能够增强读者对相关概念的理解，加深对该领域的认识。
在众多机器学习相关书籍中，周志华教授所著的《机器学习》（读者昵称“西瓜书”）无疑是最知名的教材之一。《机器学习》已出版8年多，印刷40余次，印量达73万册，荣登各图书网站畅销书榜，成为世界知名、使用广泛的中文机器学习教材。本书是《机器学习》（本书中将简称为“教材”）的教学或自学的辅助参考书，包含大量习题，对教材中关于基本概念和常用算法的第1~10章内容进行考查。本书的习题与教材章节末的习题并不重合，一方面可以为教师授课提供作业、考评的思路参考，同时也可帮助学生在上课或自学之余通过习题练习的方式对知识点的掌握情况进行自我评测。书中习题具有不同难度，初学者可以通过这些习题了解和巩固机器学习的关键概念，而对机器学习有一定基础的读者则可以通过部分习题发现不同角度的知识点解读，为后续深入研究打下基础。本书所使用的术语和符号与教材一致。习题均具有详细解答，部分习题在解答后也给出了出题的主要思路、所考查的知识要点、其他可能的解法，以及相关知识点的关联和拓展，并对以往授课过程中发现的易错点进行了探讨。
章节安排
本书分为两部分.第一部分为“基础考评篇”，共10章，以计算题、简答题为主；第二部分为“综合应用篇”，共6章，以编程题、简答题为主。
第一部分对应教材第1~10章的内容，其中第1章的习题还包含对教材附录中机器学习数学基础部分的考查。这部分习题大多采用多个子问题的形式对书中知识点进行循序渐进的探究。例如，第3章关于线性模型的习题，从不同的视角对书中线性回归的公式进行推导或拓展，从而帮助读者加深理解。由于机器学习不同知识点之间关联紧密，因此各章节的习题间也有所关联。部分习题和当前机器学习的前沿研究相结合，对教材中知识点的当前研究进展进行了一定程度的介绍，并给出了相应的参考文献，供读者进行后续探索。
第二部分以“大作业”的形式考查对教材前10章知识点融会贯通的能力。此部分中每一章节将包含第一部分中一个或多个章节所覆盖的知识点。一方面考查将不同知识点灵活应用于实际问题的能力，另一方面考查对所学内容灵活拓展的能力。例如在第11章中，以线性模型为例，从最基础的数据预处理对线性模型的影响开始，逐步探究岭回归在线性分类中的应用，线性模型的调参方式，以及当训练数据量有限时如何提升线性模型的泛化能力。
实践环境
通过编程实践能够更便捷地在实际数据上探究知识点和算法的性质，同时也能更方便地展示如何在实际问题中应用机器学习算法，本书的实践环境基于Python 3这一脚本语言。Python目前已包含大量的数学、机器学习库，便于相关问题的建模和研究，例如：NumPy和SciPy中实现了大量的科学计算方法；matplotlib提供了数据交互式可视化函数；scikit-learn实现了大量的机器学习算法，且包含了模型拟合、数据预处理、模型选择、模型评估、数据集获取等常用接口。当前常用的深度学习框架，如PyTorch、TensorFlow、PaddlePaddle等，均基于Python实现。本书也默认读者具有一定的编程基础，如对编程环境不熟悉，可参考网络资源或编程相关书籍。
说明
由于篇幅所限，本书对相关知识点的细节不再另行详细介绍，仅在题目中给出所涉及知识点在教材中的对应章节。因此，本书默认读者已具备了机器学习的数学基础（如优化知识、概率论等，具体请参考教材附录），并掌握了机器学习的基本概念。例如，读者已在课堂上完成对机器学习的系统性学习，或对《机器学习》以及相关书籍进行了自学。
为避免重复，书中对于通用的基础符号仅在每章第一次出现时进行介绍。对代码的展示省略了大部分画图的代码，仅展示核心代码以及画图结果，默认所有代码均导入如下常用Python工具包：
1 import numpy as np #导入numpy包用于数值计算
2 import matplotlib #导入matplotlib包用于可视化
3 import matplotlib.pyplot as plt
完整代码可在https://github.com/Han-Jia/MLBookCodes获取。
机器学习领域发展极其迅速，各知识点的考查方式也极为多样，甚至主流的编程工具也在快速迭代更新。本书包含的习题仅从某个侧面对知识点进行考查，但并不妨碍读者从其他更加丰富的角度设计评测和巩固方式。由于笔者能力有限，对于机器学习仅略知皮毛，书中难免有错谬之处，望读者海涵指正，将不胜感激。
致谢
首先感谢周志华教授，他对机器学习科研的独到见解使笔者耳濡目染并在机器学习领域的研究过程中受益匪浅。笔者在和周老师共同教授“机器学习导论”课程期间，周老师对教学方式的指导也为本书习题的设计与讲解带来了巨大的帮助。本书在写作过程中也得到机器学习与数据挖掘（LAMDA）研究所的同学的帮助，特别感谢李新春、陆苏、韩路、杨嘉祺、周大蔚、施意、李岚、范文殊、明露以及“机器学习导论”课程历年的助教为本书提供了大量初步习题和解答，郑博文同学对代码格式和注释进行了统一的修改，张逸凯、蒋俊鹏、王琪玮等同学指出了本书的错误并提出了建设性意见。除了《机器学习》外，本书在写作过程中也参考了机器学习领域的优秀书籍，如Pattern Recognition and Machine Learning、Elements of Statistical Learning、Foundations of Machine Learning、Probabilistic Machine Learning: An Introduction，以及维基百科等网站上的内容。最后，笔者也特别感谢家人的理解和支持。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
