【现货速发】图解机器学习

《图解机器学习》用丰富的图示，从ZUI小二乘法出发，对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。

杉山将，1974年生于大阪。东京工业大学计算机工程学博士毕业，现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发，以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。 　　许永伟，2009年赴东京大学攻读博士学位，现于东京大学空间信息科学研究所从事博士后研究（特任研究员）。主要研究方向为模式识别与机器学习、图像处理与计算机视觉，对数据挖掘、大数据和信息架构有浓厚兴趣。

目录

第I部分　绪　论

第 1章　什么是机器学习 2

1.1　学习的种类　　2

1.2　机器学习任务的例子　　4

1.3　机器学习的方法　　8

第 2章　学习模型 12

2.1　线性模型　　12

2.2　核模型　　15

2.3　层级模型　　17

第II部分　有监督回归

第3章　**小二乘学习法 22

3.1　**小二乘学习法　　22

3.2　**小二乘解的性质　　25

3.3　大规模数据的学习算法　　27

第4章带有约束条件的**小二乘法 31

4.1　部分空间约束的**小二乘学习法　　31

4.2　ｌ2 约束的**小二乘学习法　　33

4.3　模型选择　　37

第5章　稀疏学习 43

5.1　ｌ1 约束的**小二乘学习法　　43

5.2　ｌ1 约束的**小二乘学习的求解方法　　45

5.3　通过稀疏学习进行特征选择　　50

5.4　ｌp约束的**小二乘学习法　　51

5.5　ｌ1 ｌ2 约束的**小二乘学习法　　52

第6章　鲁棒学习 55

6.1　ｌ1 损失**小化学习　　56

6.2　Huber损失**小化学习　　58

6.3　图基损失**小化学习　　63

6.4　ｌ1 约束的Huber损失**小化学习　　65

第III部分　有监督分类

第7章　基于**小二乘法的分类 70

7.1　**小二乘分类　　70

7.2　0/1 损失和间隔　　73

7.3　多类别的情形　　76

第8章　支持向量机分类 80

8.1　间隔**大化分类　　80

8.2　支持向量机分类器的求解方法　　83

8.3　稀疏性　　86

8.4　使用核映射的非线性模型　　88

8.5　使用Hinge损失**小化学习来解释　　90

8.6　使用Ramp损失的鲁棒学习　　93

第9章　集成分类 98

9.1　剪枝分类　　98

9.2　Bagging学习法　　101

9.3　Boosting 学习法　　105

第 10章　概率分类法 112

10.1　Logistic回归　　112

10.2　**小二乘概率分类　　116

第 11 章序列数据的分类 121

11.1　序列数据的模型化　　122

11.2　条件随机场模型的学习　　125

11.3　利用条件随机场模型对标签序列进行预测　　128

第IV部分　无监督学习

第 12章　异常检测 132

12.1　局部异常因子　　132

12.2　支持向量机异常检测　　135

12.3　基于密度比的异常检测　　137

第 13章　无监督降维 143

13.1　线性降维的原理　　144

13.2　主成分分析　　146

13.3　局部保持投影　　148

13.4　核函数主成分分析　　152

13.5　拉普拉斯特征映射　　155

第 14章　聚类 158

14.1　K均值聚类　　158

14.2　核K均值聚类　　160

14.3　谱聚类　　161

14.4　调整参数的自动选取　　163

第V部分　新兴机器学习算法

第 15章　在线学习 170

15.1　被动攻击学习　　170

15.2　适应正则化学习　　176

第 16章　半监督学习 181

16.1　灵活应用输入数据的流形构造　　182

16.2　拉普拉斯正则化**小二乘学习的求解方法　　183

16.3　拉普拉斯正则化的解释　　186

第 17章　监督降维 188

17.1　与分类问题相对应的判别分析　　188

17.2　充分降维　　195

第 18章　迁移学习 197

18.1　协变量移位下的迁移学习　　197

18.2　类别平衡变化下的迁移学习　　204

第 19章　多任务学习 212

19.1　使用**小二乘回归的多任务学习　　212

19.2　使用**小二乘概率分类器的多任务学习　　215

19.3　多次维输出函数的学习　　216

第VI部分　结 语

第 20章　总结与展望 222

参考文献　　225

《图解机器学习》用丰富的图示，从ZUI小二乘法出发，对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。

杉山将，1974年生于大阪。东京工业大学计算机工程学博士毕业，现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发，以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。 　　许永伟，2009年赴东京大学攻读博士学位，现于东京大学空间信息科学研究所从事博士后研究（特任研究员）。主要研究方向为模式识别与机器学习、图像处理与计算机视觉，对数据挖掘、大数据和信息架构有浓厚兴趣。