机器学习方法

图书标准信息

• 作者 李航
• 出版社 清华大学出版社
• 出版时间 2022-03
• 版次 1
• ISBN 9787302597308
• 定价 138.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 572页
• 字数 880.000千字

【内容简介】

机器学习是以概率论、统计学、信息论、**化理论、计算理论等为基础的计算机应用理论学科，也是人工智能、数据挖掘等领域的基础学科。《机器学习方法》全面系统地介绍了机器学习的主要方法，共分三篇。篇介绍监督学习的主要方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与**熵模型、支持向量机、Boosting、EM算法、隐马尔可夫模型、条件随机场等；第二篇介绍无监督学习的主要方法，包括聚类、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配、PageRank算法等。第三篇介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型、生成对抗网络等。书中每章介绍一两种机器学习方法，详细叙述各个方法的模型、策略和算法。从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。目的是使读者能学会和使用这些机器学习的基本技术。为满足读者进一步学习的需要，书中还对各个方法的要点进行了总结，给出了一些习题，并列出了主要参考文献。

  《机器学习方法》是机器学习及相关课程的教学参考书，适合人工智能、数据挖掘等专业的本科生、研究生使用，也供计算机各个领域的专业研发人员参考。

【作者简介】

李航，字节跳动科技有限公司人工智能实验室监， ieee会士、acl会士、acm杰出科学家、ccf杰出会员。研究方向包括信息检索、自然语言处理、统计机器学及数据挖掘。李航于1988年从本京都大学电气工程系，1998年获得本东京大学计算机科学博士。他1990年至2001年职于本nec公司研究所，任研究员；2001年至2012年职于微软亚洲研究院，任研究员与主任研究员；2012年至2017年职于华为技术有限公司实验室，任首席科学家、主任。李航一直活跃在相关学术领域，曽出版过四部学术专著，并在很好国际学术会议和很好国际学术期刊上发表过120多篇学术，包括igir  wdm acl emnlp icml ni igkdd aaai ijcai，以及nle jmlr toi irj ipm tkde tweb tit等。他和同事的获得了kdd2008很好应用奖，他指导的获得了igir2008，acl2012很好奖。李航参与了多项产品开发，包括microoft ql erver 2005 microoft office 2007 microoft live earch 2008 microoft bing 2009 bing 2010 office 2010 office 2012，拥有42项授权美国专利。李航还在很好国际学术会议和很好国际学术期刊担任许多重要工作，如大会程序委员会，委员，及委员，期刊编委，包括igir  wdm acl naacl emnlp niigkdd icdm acml ijcai irj tit jait jct等。

【目录】

1篇监督学习

1章机器学习及监督学习概论3

11机器学习3

12机器学习的分类5

121基本分类5

122按模型分类10

123按算法分类11

124按技巧分类12

13机器学习方法三要素13

131模型13

132策略14

133算法16

14模型评估与模型选择17

141训练误差与测试误差17

142过拟合与模型选择18

15正则化与交验证20

151正则化20

152交验证20

16泛化能力21

161泛化误差21

162泛化误差上界22

17生成模型与判别模型24

18监督学习应用24

181分类问题24

182标注问题26

183回归问题27

本章概要28

继续阅读29

习题29

参考文献29

2章感知机30

21感知机模型30

22感知机学习策略31

221数据集的线性可分性31

222感知机学习策略31

23感知机学习算法32

231感知机学习算法的原始形式33

232算法的收敛性35

233感知机学习算法的对偶形式37

本章概要39

继续阅读40

习题40

参考文献40

3章k近邻法41

31k近邻算法41

32k近邻模型42

321模型42

322距离度量42

323k值的选择43

324分类决策规则44

33k近邻法的实现：kd树44

331构造kd树45

332搜kd树46

本章概要48

继续阅读48

习题48

参考文献49

4章朴素贝叶斯法50

41朴素贝叶斯法的学习与分类50

411基本方法50

412后验概率大化的含义51

42朴素贝叶斯法的参数估计52

421极大似然估计52

422学习与分类算法53

423贝叶斯估计54

本章概要55

继续阅读56

习题56

参考文献56

5章决策树57

51决策树模型与学习57

511决策树模型57

512决策树与if-then规则58

.......

2篇无监督学习

3篇深度学习

附录

索引