机器学习算法导论

✍ Scribed by 王磊、王晓东

• Publisher: 清华大学出版社
• Year: 2019
• Tongue: Chinese
• Leaves: 399
• Category: Library

✦ Synopsis

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。在本书的附录中还提供了学习本书必备的数学基础知识和Python语言与机器学习工具库基本知识。 与其他机器学习类书籍相比，本书同时包含机器学习的算法理论和算法实践。希望通过课程的学习,读者能够从机器学习的理论基础和实际应用两个层面全面掌握其核心技术，同时计算思维能力得到显著提高，对于整个课程讲述的机器学习算法核心知识，能够知其然且知其所以然。同时着力培养读者的计算思维能力，使他们在面临实际应用的挑战时，能够以算法的观点思考问题，并灵活应用数学概念来设计出高效安全的解决方案。

✦ Table of Contents

封面
扉页
内容简介
版权页
前言
目录
第1章　机器学习算法概述
1.1　什么是机器学习
1.2　机器学习的形式分类
1.3　机器学习算法综览
1.4　有关术语的约定
小结
第2章　监督式学习算法基础
2.1　监督式学习基本概念
2.2　经验损失最小化架构
2.3　监督式学习与经验损失最小化实例
2.4　正则化算法
小结
习题
第3章　线性回归算法
3.1　线性回归基本概念
3.2　线性回归优化算法
3.3　多项式回归
3.4　线性回归的正则化算法
3.5　线性回归的特征选择算法
小结
习题
第4章　机器学习中的搜索算法
4.1　梯度下降算法与次梯度下降算法
4.2　随机梯度下降算法
4.3　牛顿迭代算法
4.4　坐标下降算法
小结
习题
第5章　Logistic回归算法
5.1　Logistic回归基本概念
5.2　Logistic回归优化算法
5.3　分类问题的度量
5.4　Softmax回归
小结
习题
第6章　支持向量机算法
6.1　支持向量机基本概念
6.2　支持向量机优化算法
6.3　核方法
6.4　软间隔支持向量机
小结
习题
第7章　决策树
7.1　决策树的基本概念
7.2　决策树优化算法
7.3　CART算法实现及应用
7.4　集成学习算法
7.5　梯度提升决策树回归算法
小结
习题
第8章　神经网络
8.1　神经网络基本概念
8.2　神经网络优化算法
8.3　神经网络算法实现
8.4　神经网络的Tensor Flow实现
小结
习题
第9章　深度学习
9.1　卷积神经网络
9.2　循环神经网络
小结
习题
第10章　降维算法
10.1　主成分分析法
10.2　主成分分析的核方法
10.3　线性判别分析法
10.4　流形降维算法
10.5　自动编码器
小结
习题
第11章　聚类算法
11.1　k均值算法
11.2　合并聚类算法
11.3　DBSCAN算法
小结
习题
第12章　强化学习
12.1　强化学习基本概念
12.2　动态规划型算法
12.3　时序差分型算法
12.4　深度Q神经网络
12.5　策略梯度型算法
小结
习题
正文结束
附录A　机器学习数学基础
A.1　线性代数
A.2　微积分
A.3　优化理论
A.4　概率论简介
附录B　Python语言与机器学习工具库
B.1　Python语言基础
B.2　SciPy工具库
B.3　Sklearn简介
B.4　TensorFlow简介
附录C　本书使用的数据集
参考文献