✍ Scribed by 于剑
No coin nor oath required. For personal study only.
《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。
封面
扉页
内容简介
版权页
自序
前言
目录
第1章 引言
1.1 机器学习的目的：从数据到知识
1.2 机器学习的基本框架
1.3 机器学习思想简论
延伸阅读
习题
参考文献
第2章 归类理论
2.1 类表示公理
2.2 归类公理
2.3 归类结果分类
2.4 归类方法设计准则
讨论
延伸阅读
习题
参考文献
第3章 密度估计
3.1 密度估计的参数方法
3.2 密度估计的非参数方法
延伸阅读
习题
参考文献
第4章 回归
4.1 线性回归
4.2 岭回归
4.3 Lasso回归
讨论
习题
参考文献
第5章 单类数据降维
5.1 主成分分析
5.2 非负矩阵分解
5.3 字典学习与稀疏表示
5.4 局部线性嵌入
5.5 典型关联分析
5.6 多维度尺度分析与等距映射
讨论
习题
参考文献
第6章 聚类理论
6.1 聚类问题表示及相关定义
6.2 聚类算法设计准则
6.3 聚类有效性
延伸阅读
习题
参考文献
第7章 聚类算法
7.1 样例理论：层次聚类算法
7.2 原型理论：点原型聚类算法
7.3 基于密度估计的聚类算法
延伸阅读
习题
参考文献
第8章 分类理论
8.1 分类及相关定义
8.2 从归类理论到经典分类理论
8.3 分类测试公理
讨论
习题
参考文献
第9章 基于单类的分类算法：神经网络
9.1 分类问题的回归表示
9.2 人工神经网络
9.3 从参数密度估计到受限玻耳兹曼机
9.4 深度学习
讨论
习题
参考文献
第10章 K近邻分类模型
10.1 K近邻算法
10.2 距离加权最近邻算法
10.3 K近邻算法加速策略
10.4 kd树
10.5 K近邻算法中的参数问题
延伸阅读
习题
参考文献
第11章 线性分类模型
11.1 判别函数和判别模型
11.2 线性判别函数
11.3 线性感知机算法
11.4 支持向量机
讨论
习题
参考文献
第12章 对数线性分类模型
12.1 Softmax回归
12.2 Logistic回归
讨论
习题
参考文献
第13章 贝叶斯决策
13.1 贝叶斯分类器
13.2 朴素贝叶斯分类
13.3 最小化风险分类
13.4 效用最大化分类
讨论
习题
参考文献
第14章 决策树
14.1 决策树的类表示
14.2 信息增益与ID3算法
14.3 增益比率与C4.5算法
14.4 Gini指数与CART算法
14.5 决策树的剪枝
讨论
习题
参考文献
第15章 多类数据降维
15.1 有监督特征选择模型
15.2 有监督特征提取模型
延伸阅读
习题
参考文献
第16章 多类数据升维：核方法
16.1 核方法
16.2 非线性支持向量机
16.3 多核方法
讨论
习题
参考文献
第17章 多源数据学习
17.1 多源数据学习的分类
17.2 单类多源数据学习
17.3 多类多源数据学习
17.4 多源数据学习中的基本假设
讨论
习题
参考文献
正文结束
后记
索引
📜 SIMILAR VOLUMES
书签已装载， 书签制作方法请找 [email protected] 完全免费 本书涵盖了机器学习领域中的严谨理论和实用方法，讨论了学习的计算复杂度、凸性和稳定性、PAC-贝叶斯方法、压缩界等概念，并介绍了一些重要的算法范式，包括随机梯度下降、神经元网络以及结构化输出。 全书讲解全面透彻，适合有一定基础的高年级本科生和研究生学习，也适合作为IT行业从事数据分析和挖掘的专业人员以及研究人员参考阅读。
本书是一本机器学习入门读物，注重理论与实践的结合。全书主要包括6个部分，每个部分均以典型的机器学习算法为例，从算法原理出发，由浅入深，详细介绍算法的理论，并配合目前流行的Python语言，从零开始，实现每一个算法，以加强对机器学习算法理论的理解、增强实际的算法实践能力，最终达到熟练掌握每一个算法的目的。与其他机器学习类图书相比，本书同时包含算法理论的介绍和算法的实践，以理论支撑实践，同时，又将复杂、枯燥的理论用简单易懂的形式表达出来，促进对理论的理解。
<p>《Python机器学习手册：从数据预处理到深度学习》采用基于任务的方式来介绍如何在机器学习中使用Python。书中有近200个独立的解决 方案，针对的都是数据科学家或机器学习工程师在构建模型时可能遇到的常见任务，涵盖从简 单的矩阵和向量运算到特征工程以及神经网络的构建。所有方案都提供了相关代码，读者可以 复制并粘贴这些代码，用在自己的程序中。</p> <p>《Python机器学习手册：从数据预处理到深度学习》不是机器学习的入门书，适合熟悉机器学习理论和概念的读者阅读。你可以将本书作 为案头参考书，在机器学习的日常开发中遇到问题时，随时借鉴书中代码，快速解决问题。</p>
机器学习是计算机智能围棋博弈系统、无人驾驶汽车和工业界人工智能助理等新兴技术的灵魂，特别是深度学习理论更是诸多高精尖人工智能技术的核心。掌握机器学习理论与实践技术是学习现代人工智能科学最重要的一步。 本书既讲述机器学习算法的理论分析，也结合具体应用介绍它们在Python中的实现及使用方法。本书的第2到第9章主要介绍监督式学习算法。其中包括：监督式学习算法基础、线性回归算法、机器学习中的搜索算法、Logistic回归算法、支持向量机算法、决策树、神经网络和深度学习。随后，在第10与11这两章，着重介绍无监督学习算法。其中包括：降维算法和聚类算法。第12章中讲述强化学习的相关知识。在本书的附录中还