正版现货新书 机器学习 9787302675259 编著

张旭东

清华大学电子工程系长聘教授，博士生导师主要研究方向为信号处理和机器学习。主持国家级、省部级项目，以及企业合作项目数十项，发表学术论文180余篇，出版图书8部。获得爱思唯尔的最高引用论文奖(The Most CitedPaper Award)和英国工程技术学会国际雷达会议的最优论文奖。两次获得清华大学教学成果奖一等奖，三次获得清华大学优秀教材奖，获得郑君里教书育人杰出贡献奖和章毓晋图书奖一等奖。

第1章 机器学习概述

微课视频146分钟

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 机器学习的基本概念

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 深度学习

本章小结

本章习题

第2章 统计与优化基础

微课视频129分钟

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 高斯混合过程

2.2.5 马尔可夫过程

2.3 最大似然估计

2.4 贝叶斯估计——最大后验估计

2.5 随机变量的熵特征

2.5.1 熵的定义和基本性质

2.5.2 KL散度、互信息和负熵

2.6 非参数方法

2.7 优化技术

2.7.1 基本优化算法

2.7.2 拉格朗日方法

本章小结

本章习题

第3章 贝叶斯决策

微课视频39分钟

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

3.5 KNN方法

3.6 概率图模型

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

本章小结

本章习题

第4章 基本回归和分类算法

微课视频158分钟

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

4.2.1 Lasso的循环坐标下降算法

4.2.2 Lasso的LAR算法

4.3 线性基函数回归

4.4 基本分类问题

4.5 线性判别函数模型

4.5.1 Fisher线性判别分析

4.5.2 感知机

4.6 逻辑回归

4.6.1 二分类问题的逻辑回归

4.6.2 多分类问题的逻辑回归

4.7 朴素贝叶斯方法

本章小结

本章习题

第5章 机器学习流程、评价和性能界

第6章 支持向量机与核函数方法

第7章 决策树

第8章 集成学习

第9章 神经网络与深度学习之一：基础

第10章 神经网络与深度学习之二：结构

第11章 神经网络与深度学习之三：扩展

第12章 聚类和EM算法

第13章 降维和连续隐变量学习

第14章 强化学习之一：经典方法

第15章 强化学习之二：深度强化学习

第16章 深度生成模型

附录A 课程的实践型作业实例

附录B 函数对向量和矩阵的求导

附录C 术语表

参考文献

1.3构建机器学习系统

本节讨论构建机器学习系统的基本元素和需要关注的几个基本问题。

1.3.1机器学习的基本元素

构建一个完整的机器学习系统,需要几个基本元素。以下4个元素是一个机器学习系统不可或缺的;数据集、目标丽数、模型和优化算法。

1.数据集

既然机器学习是从数据中学习，数据集是必需的元素。目前的机器学习方法大多是针对特定问题有效的,尽管一些将在特定问题有效的算法迁移到更广泛问题的研究已经取得一此进展,但可靠的机器学习算法仍是以专用于特定问题的方法为主。例如，针对围棋设计的系统不会用于打麻将;针对垃圾邮件检测设计的系统不会用于对木马病毒的检测。

既然机器学习要针对具体问题从数据中学习,在确定了要解决的问题后，第1步是收集数据要从已经发牛的该类问题中收集大量原始数据,并对数据进行适当的预处理,以适合机器学习的后续处理。例如,原始数据中的一些此特征是文字描述的,要变成数字;如果是监督学习,要对数据进行标注。

……

本书对机器学习的基础知识和基本算法进行了详细的介绍, 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) 进行了深入的分析, 并讨论了无监督学习的基本方法。书中有6章内容对深度学习和深度强化学习进行了全面的叙述, 不仅讨论了反向传播算法、多层感知机、巻积神经网络, 循环神经网络和长短期记忆网络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Transformer、大模型和深度生成模型等) 也给予了深入的介绍。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及应用实例。本书对于基础理论、前沿理论、经典方法和热门技术尽可能平衡兼顾, 使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。