机器学习及其应用

图书标准信息

• 作者 [印]M.戈帕尔（M. Gopal） 著
• 出版社 机械工业出版社
• 出版时间 2020-05
• 版次 1
• ISBN 9787111654148
• 定价 139.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 472页

【内容简介】

本书是关于机器学习的综合性教程，涵盖全部基础知识和理论，涉及不同应用领域的技术和算法。书中提出，机器学习背后的大多数想法都是简单且直接的。为了鼓励读者在实践中理解机器学习算法，本书提供一个配套平台，利用自我学习的机器学习项目，再结合一些基准测试应用的数据集，通过实验比较书中介绍的各类算法，从而实现深入理解。本书对于入门阶段的研究生和学者非常有益，会为进一步的深入研究打好基础。此外，本书也适合对机器学习感兴趣的工程师和其他技术人员阅读。

【作者简介】

---作者简介--- 

M 戈帕尔（M Gopal） 机器学习领域的知名学者，曾任印度理工学院教授，拥有40余年的教学及研究经验，感兴趣的方向为机器学习、模式识别和智能控制。他的教材和视频课程在全球范围内广为采用，是YouTube上颇受欢迎的课程之一，学生数以百万计。 

---译者简介--- 

黄智濒 计算机系统结构博士，北京邮电大学计算机学院讲师。长期从事机器学习、超大规模并行计算、GPU加速计算以及三维计算机视觉和深度学习架构方面的研究。 

杨武兵 博士，中国航天空气动力技术研究院研究员，长期从事计算空气动力学、流动稳定性和湍流等方面的研究。其团队长期致力于用深度神经网络和各类机器学习方法，研究基于大涡模拟和直接数值模拟的流场流动结构的智能识别技术，推进人工智能在空气动力学领域的应用。

【目录】

译者序 

前言 

致谢 

作者简介 

第1章引言 

11走向智能机器 

12良好的机器学习问题 

13各种领域的应用实例 

14数据表示 

141时间序列预测 

142练习数据集和现实问题数据集 

15机器学习生产应用所需的领域知识 

16多样化的数据：结构的/非结构的 

17学习形式 

171监督/直接学习 

172无监督/间接学习 

173强化学习 

174基于自然过程的学习：进化、群智和免疫系统 

18机器学习和数据挖掘 

19机器学习技术中的基本线性代数知识 

110机器学习的相关资源 

第2章监督学习：基本原理和基础知识 

21从观察中学习 

22偏差和方差 

23为什么学习是有效的：计算学习理论 

24奥卡姆剃刀原理和防止过拟合 

25归纳学习中的启发式搜索 

251搜索假设空间 

252集成学习 

253学习系统的评估 

26泛化误差估计 

261留出法和随机子采样 

262交叉验证 

263自助法 

27用于评估回归（数值预测）准确率的度量指标 

271均方误差 

272平均绝对误差 

28用于评估分类（模式识别）准确率的度量指标 

281误分类的误差 

282混淆矩阵 

283基于ROC曲线的分类器比较 

29机器学习中的设计周期和问题概述 

第3章统计学习 

31机器学习和推断统计分析 

32学习技术中的描述统计学 

321表示数据的不确定性：概率分布 

322概率分布的描述性度量 

323数据样本的描述性度量 

324正态分布 

325数据相似性 

33贝叶斯推理：推理的一种概率方法 

331贝叶斯定理 

332朴素贝叶斯分类器 

333贝叶斯信念网络 

34k步邻分类器 

35判别函数和回归函数 

351分类和判别函数 

352数值预测和回归函数 

353实用假设函数 

36基于最小二乘误差准则的线性回归 

361最小化误差平方和以及伪逆 

362梯度下降优化方案 

363最小均方算法 

37用于分类任务的逻辑回归 

38费希尔的线性判别和分类的阈值 

381费希尔的线性判别 

382阈值 

39最小描述长度原则 

391贝叶斯视角 

392熵和信息 

第4章学习支持向量机 

41引言 

42二元分类的线性判别函数 

43感知器算法 

44用于线性可分离数据的线性最大边距的分类器 

45用于重叠类的线性软边距分类器 

46核函数约简的特征空间 

47非线性分类器 

48支持向量机的回归器 

481线性回归器 

482非线性回归器 

49将多元分类问题分解为二元分类任务 

491一对所有 

492一对一 

410基本SVM技术的变体 

第5章基于神经网络的学习 

51走向认知机器 

52神经元模型 

521生物神经元 

522人工神经元 

523数学模型 

53网络架构 

531前馈网络 

532循环网络 

54感知器 

541线性分类任务中感知器算法的局限性 

542使用回归技术的线性分类器 

543标准梯度下降优化方案：最速下降 

55线性神经元和WidrowHoff学习规则 

56误差修正的delta规则 

57多层感知器网络和误差反向传播算法 

571广义的delta规则 

572收敛和局部最小值 

573为梯度下降增加动量项 

574误差反向传播算法的启发式方面 

58MLP网络的多元判别 

59径向基函数网络 

510遗传神经系统 

第6章模糊推理系统 

61引言 

62认知不确定性和模糊规则库 

63知识的模糊量化 

631模糊逻辑 

632模糊集 

633模糊集操作 

634模糊关系 

64模糊规则库和近似推理 

641通过模糊关系量化规则 

642输入的模糊化 

643推理机制 

644推断模糊集的去模糊化 

65模糊推理系统的MAMDANI模型 

651移动障碍物中的移动机器人导航 

652抵押贷款评估 

66TS模糊模型 

67神经模糊推理系统 

671ANFIS架构 

672ANFIS如何学习 

68遗传模糊系统 

第7章数据聚类和数据转换 

71无监督学习 

72数据工程 

721探索性数据分析：了解数据中的内容 

722聚类分析：查找数据中的相似性 

723数据转换：增强数据的信息内容 

73基本聚类方法概述 

731分割聚类 

732层次聚类 

733谱聚类 

734使用自组织映射进行聚类 

74K簿值聚类 

75模糊K簿值聚类 

76期望最大化算法和高斯混合聚类 

761EM算法 

762高斯混合模型 

77一些有用的数据转换 

771数据清洗 

772衍生属性 

773离散化数值属性 

774属性约简技术 

78基于熵的属性离散化方法 

79用于属性约简的主成分分析 

710基于粗糙集的属性约简方法 

7101粗糙集基础 

7102属性相关性分析 

7103属性约简 

第8章决策树学习 

81引言 

82决策树分类的例子 

83评估决策树分裂的不纯度度量 

831信息增益/熵减少 

832增益比 

833基尼系数 

84 ID3、C45以及CART决策树 

85树的剪枝 

86决策树方法的优势和劣势 

87模糊决策树 

第9章商业智能与数据挖掘：技术和应用 

91关于分析的简介 

911机器学习、数据挖掘和预测分析 

912基本分析技术 

92CRISPDM(跨行业数据挖掘标准流程)模型 

93数据仓库和在线分析处