快乐机器学习

图书标准信息

• 作者 王圣元 著
• 出版社 电子工业出版社
• 出版时间 2020-01
• 版次 1
• ISBN 9787121375903
• 定价 119.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 356页
• 正文语种 简体中文

【内容简介】

学习并精通任何一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？机器学习也不例外，《快乐机器学习》就以这四个步骤来介绍机器学习。

 

 

《快乐机器学习》第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。

 

第3章介绍“机器学习怎么学”，即介绍机器如何选择出*优模型。作者在这3章的写作上花费的时间*多，光这3章的内容就绝对会让读者有所收获。

 

第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。

 

第15 章介绍机器学习中的一些非常实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。

 

为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。《快乐机器学习》非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。

【作者简介】

王圣元 金融风险管理师；特许另类投资分析师。学习及工作经历：现任新加坡某金融咨询公司总监。拥有新加坡国立大学量化金融学士学位和金融数学硕士学位；在新加坡国立大学攻读硕士学位期间，曾任金融数学课程的辅导老师，深受学生喜爱，在教课结束时被评为“优秀辅导老师”。 自我学习过程：获得金融风险管理师 (FRM) 和特许另类投资分析师 (CAIA) 认证，及 Coursera 颁发的机器学习、深度学习和TensorFlow实战的认证。平时坚持写作，是公众号“王的机器”的主理人，其中分享了关于金融工程、机器学习和量化投资的高质量文章。作者的信条是“Yearning for Learning, Leading by Reading, Distilling by Writing”（多学多读多写，终身渴望学习，通过读书保持领先，通过写作用心灌输）。

【目录】

目录
第1章  机器学习是什么――机器学习定义 1
引言 2
1．1  数据 5
1．1．1  结构型与非结构型数据 5
1．1．2  原始数据与加工 7
1．1．3  样本内数据与样本外数据 9
1．2  机器学习类别 9
1．2．1  有监督学习 10
1．2．2  无监督学习 10
1．2．3  半监督学习 11
1．2．4  增强学习 11
1．2．5  深度学习 11
1．2．6  迁移学习 12
1．3  性能度量 12
1．3．1  误差函数 13
1．3．2  回归度量 14
1．3．3  分类度量 15
1．4  总结 19
参考资料 20
第2章  机器学习可行吗――计算学习理论 22
引言 23
2．1  基础知识 25
2．1．1  二分类 25
2．1．2  对分 26
2．1．3  增长函数 29
2．1．4  突破点 30
2．2  核心推导 31
2．2．1  机器学习可行条件 31
2．2．2  从已知推未知 33
2．2．3  从民意调查到机器学习 35
2．2．4  从单一到有限 36
2．2．5  从有限到无限 37
2．2．6  从无限到有限 38
2．3  结论应用 39
2．3．1  VC 不等式 39
2．3．2  VC 维度 40
2．3．3  模型复杂度 40
2．3．4  样本复杂度 41
2．4  总结 42
参考资料 43
技术附录 43
第3章  机器学习怎么学――模型评估选择 47
引言 48
3．1  模型评估 52
3．2  训练误差和测试误差 52
3．2．1  训练误差 52
3．2．2  真实误差 54
3．2．3  测试误差 57
3．2．4  学习理论 57
3．3  验证误差和交叉验证误差 60
3．3．1  验证误差 60
3．3．2  交叉验证误差 61
3．3．3  学习理论 62
3．4  误差剖析 64
3．4．1  误差来源 64
3．4．2  偏差―方差权衡 66
3．5  模型选择 67
3．6  总结 70
参考资料 71
技术附录 71
第4章  线性回归 73
引言 74
4．1  基础知识 75
4．1．1  标量微积分 75
4．1．2  向量微积分 76
4．2  模型介绍 77
4．2．1  核心问题 77
4．2．2  通用线性回归模型 83
4．2．3  特征缩放 84
4．2．4  学习率设定 86
4．2．5  数值算法比较 87
4．2．6  代码实现 89
4．3  总结 90
参考资料 90
第5章  对率回归 92
引言 93
5．1  基础内容 94
5．1．1  联系函数 94
5．1．2  函数绘图 95
5．2  模型介绍 96
5．2．1  核心问题 96
5．2．2  查准和查全 102
5．2．3  类别不平衡 104
5．2．4  线性不可分 105
5．2．5  多分类问题 106
5．2．6  代码实现 109
5．3  总结 110
参考资料 111
第6章  正则化回归 112
引言 113
6．1  基础知识 114
6．1．1  等值线图 114
6．1．2  坐标下降 116
6．2  模型介绍 116
6．2．1  核心问题 116
6．2．2  模型对比 122
6．2．3  最佳模型 125
6．2．4  代码实现 126
6．3  总结 126
参考资料 127
第7章  支持向量机 128
引言 129
7．1  基础知识 133
7．1．1  向量初体验 133
7．1．2  拉格朗日量 136
7．1．3  原始和对偶 137
7．2  模型介绍 138
7．2．1  硬间隔 SVM 原始问题 138
7．2．2  硬间隔 SVM 对偶问题 144
7．2．3  软间隔 SVM 原始问题 148
7．2．4  软间隔 SVM 对偶问题 150
7．2．5  空间转换 151
7．2．6  核技巧 155
7．2．7  核 SVM 158
7．2．8  SMO 算法 159
7．2．9  模型选择 161
7．3  总结 162
参考资料 164
技术附录 164
第8章  朴素贝叶斯 170
引言 171
8．1  基础知识 174
8．1．1  两种概率学派 174
8．1．2  两种独立类别 174
8．1．3  两种学习算法 175
8．1．4  两种估计方法 176
8．1．5  两类概率分布 177
8．2  模型介绍 179
8．2．1  问题剖析 179
8．2．2  朴素贝叶斯算法 182
8．2．3  多元伯努利模型 183
8．2．4  多项事件模型 184
8．2．5  高斯判别分析模型 184
8．2．6  多分类问题 186
8．2．7  拉普拉斯校正 187
8．2．8  最大似然估计和最大后验估计 188
8．3  总结 190
参考资料 191
技术附录 191
第9章  决策树 195
引言 196
9．1  基础知识 198
9．1．1  多数规则 198
9．1．2  熵和条件熵 198
9．1．3  信息增益和信息增益比 200
9．1．4  基尼指数 201
9．2  模型介绍 201
9．2．1  二分类决策树 201
9．2．2  多分类决策树 209
9．2．3  连续值分裂 210
9．2．4  欠拟合和过拟合 211
9．2．5  预修剪和后修剪 212
9．2．6  数据缺失 215
9．2．7  代码实现 218
9．3  总结 219
参考资料 219
第10章  人工神经网络 220
引言 221
10．1  基本知识 223
10．1．1  转换函数 223
10．1．2  单输入单层单输出神经网络 224
10．1．3  多输入单层单输出神经网络 224
10．1．4  多输入单层多输出神经网络 225
10．1．5  多输入多层多输出神经网络 225
10．2  模型应用 227
10．2．1  创建神经网络模型 227
10．2．2  回归应用 230
10．2．3  分类应用 238
第11章  正向/反向传播 246
引言 247
11．1  基础知识 250
11．1．1  神经网络元素 250
11．1．2  链式法则 254
11．2  算法介绍 254
11．2．1  正向传播 254
11．2．2  梯度下降 257
11．2．3  反向传播 258
11．2．4  代码实现 262
11．3  总结 268
参考资料 268
技术附录 269
第12章  集成学习 272
引言 273
12．1  结合假设 277
12．1．1  语文和数学 277
12．1．2  准确和多样 278
12．1．3  独裁和民主 279
12．1．4  学习并结合 279
12．2  装袋法 280
12．2．1  基本概念 280
12．2．2  自助采样 280
12．2．3  结合假设 281
12．3  提升法 282
12．3．1  基本概念 282
12．3．2  最优加权 283
12．3．3  结合假设 285
12．4  集成方式 286
12．4．1  同质学习器 286
12．4．2  异质学习器 286
12．5  总结 288
参考资料 288
第13章  随机森林和提升树 289
引言 290
13．1  基础知识 293
13．1．1  分类回归树 293
13．1．2  前向分布算法 294
13．1．3  置换检验 295
13．2  模型介绍 296
13．2．1  随机森林 296
13．2．2  提升树 302
13．2．3  代码实现 306
13．3  总结 307
参考资料 307
第14章  极度梯度提升 309
引言 310
14．1  基础知识 311
14．1．1  树的重定义 311
14．1．2  树的复杂度 313
14．2  模型介绍 313
14．2．1  XGB 简介 313
14．2．2  XGB 的泛化度 314
14．2．3  XGB 的精确度 315
14．2．4  XGB 的速度 318
14．2．5  代码实现 324
14．3  总结 325
参考资料 326
第15章  本书总结 327
15．1  正交策略 328
15．2  单值评估指标 330
15．3  偏差和方差 332
15．3．1  理论定义 332
15．3．2  实用定义 334
15．3．3  最优误差 335
15．3．4  两者权衡 336
15．3．5  学习曲线 336
结语 339