机器学习：从公理到算法（中国计算机学会学术著作丛书）

图书标准信息

• 作者 于剑 著
• 出版社 清华大学出版社
• 出版时间 2017-06
• 版次 1
• ISBN 9787302471363
• 定价 80.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 231页
• 字数 301千字
• 正文语种 简体中文

【内容简介】

　　《机器学习：从公理到算法（中国计算机学会学术著作丛书）》是一本基于公理研究学习算法的书。共17章，由两部分组成。第一部分是机器学习公理以及部分理论演绎，包括第1、2、6、8章，论述学习公理以及相应的聚类、分类理论。第二部分关注如何从公理推出经典学习算法，包括单类、多类和多源问题。第3～5章为单类问题，分别论述密度估计、回归和单类数据降维。第7、9～16章为多类问题，包括聚类、神经网络、K近邻、支持向量机、Logistic回归、贝叶斯分类、决策树、多类降维与升维等经典算法。最后第17章研究了多源数据学习问题。

 

　　《机器学习：从公理到算法（中国计算机学会学术著作丛书）》可以作为高等院校计算机、自动化、数学、统计学、人工智能及相关专业的研究生教材，也可以供机器学习的爱好者参考。

 

【作者简介】

  于剑，北京交通大学计算机学院教授，博士生导师，交通数据分析与挖掘北京市重点实验室主任，先后获得北京大学数学专业本科、硕士、博士，中国人工智能学会机器学习专委会副主任，中国计算机学会人工智能与模式识别专委会秘书长，承担多项国家自然科学基金项目，发表多篇学术论文，包括TPAMI、CVPR 等。

【目录】

第1章引言1

 

11机器学习的目的：从数据到知识1

 

12机器学习的基本框架2

 

121数据集合与对象特性表示3

 

122学习判据4

 

123学习算法5

 

13机器学习思想简论5

 

延伸阅读7

 

习题8

 

参考文献9

 

第2章归类理论11

 

21类表示公理13

 

22归类公理17

 

23归类结果分类20

 

24归类方法设计准则22

 

241类一致性准则23

 

242类紧致性准则23

 

243类分离性准则25

 

244奥卡姆剃刀准则25

 

讨论27

 

延伸阅读29

 

习题30

 

参考文献31

 

第3章密度估计33

 

31密度估计的参数方法33

 

311最大似然估计33

 

312贝叶斯估计35

 

32密度估计的非参数方法39

 

321直方图39

 

322核密度估计39

 

323K近邻密度估计法40

 

延伸阅读40

 

习题41

 

参考文献41

 

第4章回归43

 

41线性回归43

 

42岭回归47

 

43Lasso回归48

 

讨论51

 

习题52

 

参考文献52

 

第5章单类数据降维53

 

51主成分分析54

 

52非负矩阵分解56

 

53字典学习与稀疏表示57

 

54局部线性嵌入59

 

55典型关联分析62

 

56多维度尺度分析与等距映射63

 

讨论65

 

习题66

 

参考文献66

 

第6章聚类理论69

 

61聚类问题表示及相关定义69

 

62聚类算法设计准则70

 

621类紧致性准则和聚类不等式70

 

622类分离性准则和重合类非稳定假设72

 

623类一致性准则和迭代型聚类算法73

 

63聚类有效性73

 

631外部方法73

 

632内蕴方法75

 

延伸阅读76

 

习题77

 

参考文献77

 

第7章聚类算法81

 

71样例理论：层次聚类算法81

 

72原型理论：点原型聚类算法83

 

721C均值算法84

 

722模糊C均值86

 

73基于密度估计的聚类算法88

 

731基于参数密度估计的聚类算法88

 

732基于无参数密度估计的聚类算法97

 

延伸阅读106

 

习题107

 

参考文献108

 

第8章分类理论111

 

81分类及相关定义111

 

82从归类理论到经典分类理论112

 

821PAC理论113

 

822统计机器学习理论115

 

83分类测试公理118

 

讨论119

 

习题119

 

参考文献120

 

第9章基于单类的分类算法：神经网络121

 

91分类问题的回归表示121

 

92人工神经网络122

 

921人工神经网络相关介绍122

 

922前馈神经网络124

 

93从参数密度估计到受限玻耳兹曼机129

 

94深度学习131

 

941自编码器132

 

942卷积神经网络132

 

讨论133

 

习题134

 

参考文献134

 

第10章K近邻分类模型137

 

101K近邻算法138

 

1011K近邻算法问题表示138

 

1012K近邻分类算法139

 

1013K近邻分类算法的理论错误率140

 

102距离加权最近邻算法141

 

103K近邻算法加速策略142

 

104kd树143

 

105K近邻算法中的参数问题144

 

延伸阅读145

 

习题145

 

参考文献145

 

第11章线性分类模型147

 

111判别函数和判别模型147

 

112线性判别函数148

 

113线性感知机算法151

 

1131感知机数据表示151

 

1132感知机算法的归类判据152

 

1133感知机分类算法153

 

114支持向量机156

 

1141线性可分支持向量机156

 

1142近似线性可分支持向量机159

 

1143多类分类问题162

 

讨论164

 

习题165

 

参考文献166

 

第12章对数线性分类模型167

 

121Softmax回归167

 

122Logistic回归170

 

讨论172

 

习题173

 

参考文献173

 

第13章贝叶斯决策175

 

131贝叶斯分类器175

 

132朴素贝叶斯分类176

 

1321最大似然估计178

 

1322贝叶斯估计181

 

133最小化风险分类183

 

134效用最大化分类185

 

讨论185

 

习题186

 

参考文献186

 

第14章决策树187

 

141决策树的类表示187

 

142信息增益与ID3算法192

 

143增益比率与C45算法194

 

144Gini指数与CART算法195

 

145决策树的剪枝196

 

讨论197

 

习题197

 

参考文献198

 

第15章多类数据降维199

 

151有监督特征选择模型199

 

1511过滤式特征选择200

 

1512包裹式特征选择201

 

1513嵌入式特征选择201

 

152有监督特征提取模型202

 

1521线性判别分析202

 

1522二分类线性判别分析问题202

 

1523二分类线性判别分析203

 

1524二分类线性判别分析优化算法205

 

1525多分类线性判别分析205

 

延伸阅读207

 

习题207

 

参考文献207

 

第16章多类数据升维：核方法209

 

161核方法209

 

162非线性支持向量机210

 

1621特征空间210

 

1622核函数210

 

1623常用核函数212

 

1624非线性支持向量机212

 

163多核方法213

 

讨论215

 

习题215

 

参考文献216

 

第17章多源数据学习217

 

171多源数据学习的分类217

 

172单类多源数据学习217

 

1721完整视角下的单类多源数据学习218

 

1722不完整视角下的单类多源数据学习220

 

173多类多源数据学习221

 

174多源数据学习中的基本假设222

 

讨论222

 

习题223

 

参考文献223

 

后记225

 

索引229