编辑推荐

null

内容简介

本书的核心视角是机器学习中的算法，旨在帮助读者掌握算法思想，熟悉相关的数学与统计学知识，并掌握必要的编程技巧和实验方法。书中首先介绍基础概念，然后从相对简单的监督学习方法开始讲解，同时讨论了优化和搜索问题，之后分析无监督学习算法，最后探讨更现代的基于统计的机器学习方法。本书的代码示例采用Python语言编写，所有代码均可免费下载。 本书适合作为高等院校人工智能、数据科学、机器人工程和计算机等专业的课程教材，也适合该领域的技术人员阅读参考。

作者介绍

史蒂芬·马斯兰（Stephen Marsland），新西兰惠灵顿维多利亚大学数学与统计学院教授，兼任新西兰复杂系统卓越研究中心项目主管，负责复杂性、风险与不确定性等相关主题的研究工作。研究兴趣是几何和复杂系统的应用，主要涉及形状空间、机器学习和算法。 高阳， 教授/博导，目前任南京大学计算机科学与技术系副主任，中国计算机学会机器学习专委会副主任。1997年开始从事人工智能、机器学习、多Agent系统、大数据、图像和视频分析等方向的学术研究。2010年入选*****新世纪优秀人才计划。曾获2017年度中国人工智能学会吴文俊自然科学奖二等奖、2018年度江苏省科学技术奖二等奖。 商琳 ， 博士／副教授，1998年起任教于南京大学计算机科学与技术系，长期从事人工智能、机器学习、计算智能、文本挖掘、图像与视频理解等领域的教学与科研工作。目前担任中国计算机学会人工智能与模式识别专委会委员，中国人工智能学会粒计算与知识发现专委会副秘书长。

目 录

第2版前言 第1版前言 第1章 绪论 1.1 如果数据有质量，地球将成为黑洞 1.2 学习 1.2.1 机器学习 1.3 机器学习的类别 1.4 监督学习 1.4.1 回归 1.4.2 分类 1.5 机器学习过程 1.6 关于编程的注意事项 1.7 本书的学习路线 拓展阅读 第2章 预备知识 2.1 专业术语 2.1.1 权重空间 2.1.2 维度灾难 2.2 知你所知：测试机器学习算法 2.2.1 过拟合 2.2.2 训练集、测试集和验证集 2.2.3 混淆矩阵 2.2.4 精度指标 2.2.5 受试者工作特征曲线 2.2.6 不平衡数据集 2.2.7 度量精度 2.3 数据与概率的转换 2.3.1 最小化风险 2.3.2 朴素贝叶斯分类 2.4 基本统计概念 2.4.1 平均值 2.4.2 方差与协方差 2.4.3 高斯分布 2.5 权衡偏差与方差 拓展阅读 习题 第3章 神经元、神经网络和线性判别 3.1 大脑和神经元 3.1.1 Hebb法则 3.1.2 McCulloch和Pitts神经元 3.1.3 McCulloch和Pitts神经元模型的局限性 3.2 神经网络 3.3 感知器 3.3.1 学习速率η 3.3.2 输入偏置 3.3.3 感知器学习算法 3.3.4 感知器学习示例 3.3.5 具体实现 3.4 线性可分性 3.4.1 感知器收敛定理 3.4.2 XOR函数 3.4.3 有用的领悟 3.4.4 另一个示例：皮马印第安人数据集 3.4.5 数据预处理 3.5 线性回归 3.5.1 示例 拓展阅读 习题 第4章 多层感知器 4.1 前向 …… 第5章 径向基函数和样条函数 第6章 维度约简 第7章 概率学习 第8章 支持向量机 第9章 优化和搜索 第10章 进化学习 第11章 强化学习 第12章 树的学习 第13章 委员会决策：集成学习 第14章 无监督学习 第15章 马尔可夫链蒙特卡罗方法 第16章 图模型 第17章 对称权重与深度置信网络 第18章 高斯过程 附录 Python入门

媒体评论

null