| 失效链接处理 |
|
机器学习导论 PDF 下载
下载地址：
版权归出版社和原作者所有，链接已删除，请购买正版
用户下载说明：
电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：
http://product.dangdang.com/29357094.html
相关截图：  资料简介： 本书是一部论述机器学习原理与算法的立体化教材（含纸质图书、教学课件和部分视频教程），本书兼顾机器学习基础、经典方法和深度学习方法。对组成机器学习的基础知识和基本算法做了比较细致的介绍，对广泛应用的经典算法如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等算法都给出了深入的分析，并讨论了无监督学习的基本方法。用5章的篇幅对深度学习和深度强化学习做了相当全面的叙述，不仅深入地讨论了反向传播算法、多层感知机、CNN网络、RNN网络和LSTM结构等深度神经网络的核心知识和结构，对于一些发展中的专题如生成对抗网络（GAN）和Transformer等也予以一定深度的介绍。对于强化学习，不仅介绍了经典表格方法，也较详细地讨论了深度强化学习。本书是面向大学理工科和管理类各专业的一本宽口径、综合性机器学习教材，可供本科高年级和研究生课程使用，也可供科技人员、工程师和程序员自学机器学习的原理和算法之用。本书对基础和前沿、经典方法和热门技术做了尽可能地平衡，使得读者不仅能在机器学习领域打下一个良好的基础，同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。 资料目录：
第1章机器学习概述
1.1什么是机器学习
1.2机器学习的分类
1.2.1基本分类
1.2.2监督学习及其功能分类
1.3构建机器学习系统
1.3.1机器学习的基本元素
1.3.2机器学习的一些基本概念
1.3.3机器学习模型的性能评估
1.4通过简单示例理解机器学习
1.4.1一个简单的回归示例
1.4.2一个简单的分类示例
1.5训练、验证与测试
1.6深度学习简介
1.7本章小结
习题
第2章统计与优化基础
2.1概率基础
2.1.1离散随机变量
2.1.2连续随机变量
2.1.3随机变量的基本特征
2.1.4随机特征的蒙特卡洛逼近
2.2概率实例
2.2.1离散随机变量示例
2.2.2高斯分布
2.2.3指数族
2.2.4混合高斯过程
2.2.5马尔可夫过程
2.3似然估计
2.4贝叶斯估计——后验估计
2.5随机变量的熵特征
2.5.1熵的定义和基本性质
2.5.2KL散度、互信息和负熵
2.6非参数方法
2.7优化技术概述
2.7.1基本优化算法
2.7.2拉格朗日方法
2.8本章小结
习题
第3章贝叶斯决策
3.1机器学习中的决策
3.2分类的决策
3.2.1加权错误率准则
3.2.2拒绝判决
3.3回归的决策
3.4高斯情况下的分类决策
3.4.1相同协方差矩阵情况的二分类
3.4.2不同协方差矩阵情况的二分类
3.4.3多分类情况
3.5KNN方法
*3.6概率图模型概述
3.6.1贝叶斯网络
3.6.2无向图模型
3.6.3图模型的学习与推断
3.7本章小结
习题
第4章基本回归算法
4.1线性回归
4.1.1基本线性回归
4.1.2线性回归的递推学习
4.1.3正则化线性回归
4.1.4多输出线性回归
*4.2稀疏线性回归Lasso
4.2.1Lasso的循环坐标下降算法
4.2.2Lasso的LAR算法
4.3线性基函数回归
*4.4奇异值分解
4.5回归学习的误差分解
4.6本章小结
习题
第5章基本分类学习
5.1基本分类问题
5.2线性判别函数模型
5.2.1Fisher线性判别分析
*5.2.2感知机
5.3逻辑回归
5.3.1二分类问题的逻辑回归
5.3.2多分类问题的逻辑回归
5.4朴素贝叶斯方法
*5.5机器学习理论简介
5.5.1假设空间有限时的泛化误差界
5.5.2假设空间无限时的泛化误差界
5.6本章小结
习题
第6章支持向量机与核函数方法
6.1线性支持向量机
6.1.1不等式约束的优化
6.1.2线性可分情况的SVM
6.1.3不可分情况的SVM
6.1.4合页损失函数
6.1.5SVM用于多分类问题
6.2非线性支持向量机
6.2.1SVM分类算法小结
*6.2.2SMO算法
6.3支持向量回归
*6.4核函数方法
6.5本章小结
习题
第7章决策树
7.1基本决策树算法
7.1.1决策树的基本结构
7.1.2信息增益和ID3算法
7.1.3信息增益率和C4.5算法
7.2CART算法
7.2.1分类树
7.2.2回归树
7.3决策树的一些实际问题
7.3.1连续数值变量
7.3.2正则化和剪枝技术
7.3.3缺失属性的训练样本问题
7.4本章小结
习题
第8章集成学习
8.1Bagging和随机森林
8.1.1自助采样和Bagging算法
8.1.2随机森林算法
8.2提升和AdaBoost算法
8.2.1AdaBoost算法介绍
*8.2.2AdaBoost算法分析
8.3提升树算法
8.3.1加法模型和提升树
8.3.2梯度提升树
8.4本章小结
习题
第9章神经网络与深度学习之一： 基础
9.1神经网络的基本结构
9.1.1神经元结构
9.1.2多层神经网络解决异或问题
9.1.3多层感知机
9.1.4神经网络的逼近定理
9.2神经网络的目标函数和优化
9.2.1神经网络的目标函数
9.2.2神经网络的优化
9.3误差反向传播算法
9.3.1反向传播算法的推导
9.3.2反向传播算法的向量形式
9.3.3反向传播算法的扩展
9.4神经网络学习中的一些问题
9.4.1初始化
9.4.2正则化
9.4.3几类等价正则化技术
9.5本章小结
习题
第10章神经网络与深度学习之二： 结构
10.1卷积神经网络
10.1.1卷积运算及其物理意义
10.1.2基本CNN的结构
10.1.3CNN的参数学习
*10.1.4卷积的一些扩展结构
*10.1.5CNN示例介绍
10.2循环神经网络
10.2.1基本RNN
10.2.2RNN的计算和训练
*10.2.3长短期记忆模型
*10.2.4门控循环单元
10.3本章小结
习题
第11章神经网络与深度学习之三： 技术和应用
11.1深度学习中的优化算法
11.1.1小批量SGD算法
11.1.2动量SGD算法
11.1.3自适应学习率算法
11.2深度学习训练的正则化技术
11.2.1Dropout技术
11.2.2批归一化
*11.2.3层归一化
*11.3对抗训练
*11.4自编码器
11.4.1自编码器的基本结构
11.4.2自编码器的一些扩展
*11.5生成对抗网络
*11.6注意力机制和Transformer
11.6.1注意力机制
11.6.2序列到序列模型
11.6.3Transformer
11.7本章小结
第12章聚类和EM算法
12.1聚类算法
12.1.1K均值聚类算法
12.1.2DBSCAN聚类算法
12.1.3其他度量和聚类算法
12.2EM算法
12.2.1EM算法的隐变量形式
12.2.2独立同分布情况
*12.2.3EM算法扩展到MAP估计
*12.2.4通过KL散度对EM算法的解释
12.3基于EM算法的高斯混合模型参数估计
12.3.1GMM参数估计
12.3.2GMM的软聚类
12.4本章小结
习题
第13章降维和连续隐变量学习
13.1主分量分析
13.1.1主分量分析原理
13.1.2广义Hebb算法
*13.2样本向量的白化和正交化
13.2.1样本向量的白化
13.2.2向量集的正交化
*13.3独立分量分析
13.3.1独立分量分析的原理和目标函数
13.3.2不动点算法FastICA
13.3.3自然梯度算法
13.3.4仿真实验举例
13.4本章小结
习题
第14章强化学习之一： 经典方法
14.1强化学习的基本问题
14.2马尔可夫决策过程
14.2.1MDP的定义
14.2.2贝尔曼方程
14.2.3策略
14.2.4强化学习的类型
14.2.5探索与利用
14.3动态规划
14.3.1策略迭代方法
14.3.2值函数迭代方法
14.4强化学习的蒙特卡洛方法
14.4.1MC部分策略评估
14.4.2MC策略改进
14.4.3在轨策略和离轨策略
14.5强化学习的时序差分方法
14.5.1基本时序差分学习和Sarsa算法
14.5.2离轨策略和Q学习
14.5.3DP、MC和TD算法的简单比较
*14.5.4多步时序差分学习和资格迹算法
*14.6多臂赌博机
14.7本章小结
习题
第15章强化学习之二： 深度强化学习
15.1强化学习的值函数逼近
15.1.1基本线性值函数逼近
*15.1.2线性值函数逼近的小二乘策略迭代算法
15.1.3深度Q网络
15.2策略梯度方法
15.2.1MC策略梯度算法Reinforce
15.2.2行动器评判器方法
*15.3连续动作确定性策略梯度方法
15.3.1DPG算法
15.3.2DDPG算法
15.3.3连续动作DRL的一些进展概述
15.4本章小结
习题
附录A课程的实践型作业实例
A.1第1次实践作业
A.2第2次实践作业
A.3第3次实践作业
附录B函数对向量和矩阵的求导
术语表
参考文献
|
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
