机器学习 理论 实践与提高

图书标准信息

• 作者 [法]马西-雷萨·阿米尼（Massih-Reza Amini）
• 出版社 人民邮电出版社
• 出版时间 2018-04
• 版次 1
• ISBN 9787115479655
• 定价 59.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 220页
• 字数 349千字

【内容简介】

本书是机器学习理论与算法的参考书目，从监督、半监督学习的基础理论开始，本书采用简单、流行的C语言，逐步介绍了很常见、杰出的理论概念、算法与实践案例，呈现了相应的经典算法和编程要点，满足读者希望了解机器学习运作模式的根本需求。

【作者简介】

Massih-Reza Amini，法国格勒诺布尔大学计算机科学教授，研究领域统计机器学习的全新框架与模板。

Francis Bach 序

法国国家信息与自动化研究所研究院，巴黎高等师范学校机械学习研究所SIERRA项目负责人，专注于图形建模、稀疏法、模型核方法、凸优化、信号处理等。

【目录】

目录

第 1 章 机器学习理论简述   1

1 1 经验误差最小化     2

1 1 1 假设与定义   2

1 1 2 原理陈述     4

1 2 经验风险最小化原理的一致性   4

1 2 1 在测试集上估计泛化误差       6

1 2 2 泛化误差的一致边界     7

1 2 3 结构风险最小化        15

1 3 依赖于数据的泛化误差界      17

1 3 1 Rademacher 复杂度    17

1 3 2 Rademacher 复杂度和 VC 维的联系   17

1 3 3 利用 Rademacher 复杂度获取泛化界的步骤          19

1 3 4 Rademacher 复杂度的性质     23

第 2 章 无约束凸优化算法     26

2 1 梯度法      29

2 1 1 批处理模式     29

2 1 2 在线模式    31

2 2 拟牛顿法    32

2 2 1 牛顿方向    32

2 2 2 Broyden-Fletcher-Goldfarb-Shanno 公式      33

2 3 线搜索      36

2 3 1 Wolfe 条件     37

2 3 2 基于回溯策略的线搜索        41

2 4 共轭梯度法        43

2 4 1 共轭方向    43

2 4 2 共轭梯度算法          46

第 3 章 二类分类    48

3 1 感知机      48

3 1 1 感知机的收敛性定理    51

3 1 2 带间隔感知机及其与经验风险最小化原理的联系      53

3 2 Adaline   54

3 2 1 与线性回归和经验风险最小化原理的联系             54

3 3 Logistic 回归       56

3 3 1 与经验风险最小化原理的联系         57

3 4 支持向量机        58

3 4 1 硬间隔      58

3 4 2 软间隔      63

3 4 3 基于间隔的泛化误差界        66

3 5 AdaBoost          68

3 5 1 与经验风险最小化原理的联系         70

3 5 2 拒绝法抽样     72

3 5 3 理论研究    73

第 4 章 多类分类    76

4 1 形式表述    76

4 1 1 分类误差    77

4 1 2 泛化误差界     77

4 2 单一法      80

4 2 1 多类支持向量机        80

4 2 2 多类 AdaBoost        84

4 2 3 多层感知机     87

4 3 组合二类分类算法的模型      91

4 3 1 一对全      91

4 3 2 一对一      92

4 3 3 纠错码      93

第 5 章 半监督学习         95

5 1 无监督框架和基本假设        95

5 1 1 混合密度模型          96

5 1 2 估计混合参数          96

5 1 3 半监督学习的基本假设       102

5 2 生成法     104

5 2 1 似然准则在半监督学习情形的推广    104

5 2 2 半监督 CEM 算法     105

5 2 3 应用：朴素贝叶斯分类器的半监督学习       106

5 3 判别法     108

5 3 1 自训练算法    109

5 3 2 转导支持向量机       111

5 3 3 贝叶斯分类器误差的转导界          113

5 3 4 基于伪标注的多视角学习     116

5 4 图法       118

5 4 1 标注的传播    119

5 4 2 马尔可夫随机游动     121

第 6 章 排序学习          123

6 1 形式表述         123

6 1 1 排序误差函数         124

6 1 2 样例排序   127

6 1 3 备择排序   128

6 2 方法       130

6 2 1 单点法     130

6 2 2 成对法     135

6 3 互相关数据的学习    144

6 3 1 测试界     146

6 3 2 泛化界     146

6 3 3 一些具体例子中的界的估计          151

附录 回顾和补充          155

附录 A 概率论回顾        156

A 1 概率测度         156

A 1 1 可概率化空间        156

A 1 2 概率空间     157

A 2 条件概率         158

A 2 1 贝叶斯公式          158

A 2 2 独立性    159

A 3 实随机变量       159

A 3 1 分布函数     160

A 3 2 随机变量的期望和方差       161

A 3 3 集中不等式          162

附录 B 程序代码          166

B 1 数据结构         166

B 1 1 数据集    166

B 1 2 超参数结构          167

B 2 稀疏表示         168

B 3 程序运行         170

B 4 代码      172

B 4 1 BGFS 算法（ 2 2 2 节）      172

B 4 2 线搜索（ 2 3 节）     175

B 4 3 共轭梯度法（ 2 4 节）        178

B 4 4 感知机（ 3 1 节）     180

B 4 5 Adaline 算法（ 3 2 节）       181

B 4 6 Logistic 回归（ 3 3 节）       182

B 4 7 AdaBoost 算法（ 3 5 节）     184

B 4 8 AdaBoost M2 算法（ 4 2 2 节）      188

B 4 9 多层感知机（ 4 2 3 节）       192

B 4 10 K- 均值算法（ 5 1 2 节）      195

B 4 11 半监督朴素贝叶斯（ 5 2 3 节）       197

B 4 12 自学习（ 5 3 1 节）   201

B 4 13 一次性自学习（ 5 3 1 节）    204

B 4 14 PRank 算法（ 6 2 1 节）      205

B 4 15 RankBoost 算法（ 6 2 2 节）         207

参考文献     211