点此进入淘宝搜索页搜索　　參考價格: 点此进入淘宝搜索页搜索
　　分類: 图书,计算机与互联网,计算机控制仿真与人工智能,人工智能,
　　品牌: 阿培丁

基本信息·出版社：机械工业出版社

·页码：272 页

·出版日期：2009年

·ISBN：7111265246/9787111265245

·条形码：9787111265245

·包装版本：第1版

·装帧：平装

·开本：16

·正文语种：中文

·丛书名：计算机科学丛书

产品信息有问题吗？请帮我们更新产品信息。

内容简介《机器学习导论》对机器学习的定义和应用实例进行了介绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、决策树。线性判别式、多层感知器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，人脸识别或语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《机器学习导论》讨论了机器学习在统计学、模式识别、神经网络。人工智能。信号处理、控制和数据挖掘等不同领域的应用。对所有学习算法都进行了解释，以便读者可以容易地将书中的公式转变为计算机程序。《机器学习导论》可作为高等院校计算机相关专业高年级本科生和研究生的教材，也可供研究机器学习方法的技术人员参考。

作者简介Ethem Alpaydin，是土耳其伊斯坦布尔博阿齐奇大学计算机工程系的教授。于1990年在洛桑联邦理工学院获博士学位，之后先后在美国麻省理工和伯克利大学工作和进行博士后研究。Ethem博士主要从事机器学习方面的研究，是剑桥大学的《The Computer Journal》杂志编委和Elsevier的《Pattern Recognition》杂志的副主编。2001年和2002年，Ethem博士先后获得土耳其科学院青年科学家奖和土耳其科学与技术研究委员会科学奖。

编辑推荐《机器学习导论》为计算机科学丛书之一。

目录

出版者的话

中文版序

译者序

前言

致谢

符号表

第1章 绪论

1．1 什么是机器学习

1．2 机器学习的应用实例

1．2．1 学习关联性

1．2．2 分类

1．2．3 回归

1．2．4 非监督学习

1．2．5 增强学习

1．3 注释

1．4 相关资源

1．5 习题

1．6 参考文献

第2章 监督学习

2．1 由实例学习类

2．2 VC维

2．3 概率逼近正确学习

2．4 噪声

2．5 学习多类

2．6 回归

2．7 模型选择与泛化

2．8 监督机器学习算法的维

2．9 注释

2．10 习题

2．11 参考文献

第3章 贝叶斯决策定理

3．1 引言

3．2 分类

3．3 损失与风险

3．4 判别式函数

3．5 效用理论

3．6 信息值

3．7 贝叶斯网络

3．8 影响图

3．9 关联规则

3．10 注释

3．11 习题

3．12 参考文献

第4章 参数方法

4．1 引言

4．2 最大似然估计

4．2．1 伯努利密度

4．2．2 多项密度

4．2．3 高斯(正态)密度

4．3 评价估计：偏倚和方差

4．4 贝叶斯估计

4．5 参数分类

4．6 回归

4．7 调整模型的复杂度：偏倚／方差两难选择

4．8 模型选择过程

4．9 注释

4．10 习题

4．11 参考文献

第5章 多元方法

5．1 多元数据

5．2 参数估计

5．3 缺失值估计

5．4 多元正态分布

5．5 多元分类

5．6 调整复杂度

5．7 离散特征

5．8 多元回归

5．9 注释

5．10 习题

5．11 参考文献

第6章 维度归约

6．1 引言

6．2 子集选择

6．3 主成分分析

6．4 因子分析

6．5 多维定标

6．6 线性判别分析

6．7 注释

6．8 习题

6．9 参考文献

第7章 聚类

7．1 引言

7．2 混合密度

7．3 平均值聚类

7．4 期望最大化算法

7．5 潜在变量混合模型

7．6 聚类后的监督学习

7．7 层次聚类

7．8 选择簇个数

7．9 注释

7．10 习题

7．11 参考文献

第8章 非参数方法

8．1 引言

8．2 非参数密度估计

8．2．1 直方图估计

8．2．2 核估计

8．2．3 ％-最近邻估计

8．3 到多变元数据的推广

8．4 非参数分类

8．5 精简的最近邻

8．6 非参数回归：光滑模型

8．6．1 移动均值光滑

8．6．2 核光滑

8．6．3 移动线光滑

8．7 如何选择光滑参数

8．8 注释

8．9 习题

8．10 参考文献

第9章 决策树

9．1 引言

9．2 单变量树

9．2．1 分类树

9．2．2 回归树

9．3 剪枝

9．4 由决策树提取规则

9．5 由数据学习规则

9．6 多变量树

9．7 注释

9．8 习题

9．9 参考文献

第10章 线性判别式

10．1 引言

10．2 推广线性模型

10．3 线性判别式的几何意义

10．3．1 两类问题

10．3．2 多类问题

10．4 逐对分离

10．5 参数判别式的进一步讨论

10．6 梯度下降

10．7 逻辑斯谛判别式

10．7．1 两类问题

10．7．2 多类问题

10．8 回归判别式

10．9 支持向量机

10．9．1 最佳分离超平面

10．9．2 不可分情况：软边缘超平面

10．9．3 核函数

10．9．4 用于回归的支持向量机

10．10 注释

10．11 习题

10．12 参考文献

第11章 多层感知器

11．1 引言

11．1．1 理解人脑

11．1．2 神经网络作为并行处理的典范

11．2 感知器

11．3 训练感知器

11．4 学习布尔函数

11．5 多层感知器

11．6 MLP作为通用逼近器

11．7 后向传播算法

11．7．1 非线性回归

11．7．2 两类判别式

11．7．3 多类判别式

11．7．4 多个隐藏层

11．8 训练过程

11．8．1 改善收敛性

11．8．2 过分训练

11．8．3 构造网络

11．8．4 线索

11．9 调整网络规模

11．10 学习的贝叶斯观点

11．11 维度归约

11．12 学习时间

11．12．1 时间延迟神经网络

11．12．2 递归网络

11．13 注释

11．14 习题

11．15 参考文献

第12章 局部模型

12．1 引言

12．2 竞争学习

12．2．1 在线均值

12．2．2 自适应共鸣理论

12．2．3 自组织映射

12．3 径向基函数

12．4．结合基于规则的知识

12．5 规范化基函数

12．6 竞争的基函数

12．7 学习向量量化

12．8 混合专家模型

12．8．1 协同专家模型

12．8．2 竞争专家模型

12．9 层次混合专家模型

12．10 注释

12．11 习题

12．12 参考文献

第13章 隐马尔可夫模型

13．1 引言

13．2 离散马尔可夫过程

13．3 隐马尔可夫模型

13．4 HMM的三个基本问题

13．5 估值问题

13．6 寻找状态序列

13．7 学习模型参数

13．8 连续观测

13．9 带输入的HMM

13．10 HNMqItl的模型选择

13．11 注释

13．12 习题

13．13 参考文献

第14章 分类算法评估和比较

14．1 引言

14．2 交叉确认和再抽样方法

14．2．1 K．折交叉确认

14．2．2 5~2交叉确认

14．2．3 自助法

14．3 误差度量

14．4 区间估计

14．5 假设检验

14．6 评估分类算法的性能

14．6．1 二项检验

14．6．2 近似正态检验

14．6．3 配对￡检验

14．7 比较两个分类算法

14．7．1 McNemar-检验

14．7．2 K-折交叉确认配对t检验

14．7．3 5x2交叉确认配对t检验

14．7．4 5x2交叉确认配对F检验

14．8 比较多个分类算法：方差分析

14．9 注释

14．10 习题

14．11 参考文献

第15章 组合多学习器

15．1 基本原理

15．2 投票法

15．3 纠错输出码

15．4 装袋

15．5 提升

15．6 重温混合专家模型

15．7 层叠泛化

15．8 级联

15．9 注释

15．10 习题

15．11 参考文献

第16章 增强学习

16．1 引言

16．2 单状态情况：K臂赌博机问题

16．3 增强学习基础

16．4 基于模型的学习

16．4．1 价值迭代

16．4．2 策略迭代

16．5 时间差分学习

16．5．1 探索策略

16．5．2 确定性奖励和动作

16．5．3 确定性奖励和动作

16．5．4 资格迹

16．6 推广

16．7 部分可观测状态

16．8 注释

16．9 习题

16．10 参考文献

附录A概率论

索引

……[看更多目录]

序言自从有计算机以来，人们就希望计算机能够学习。然而，机器学习真正取得实质性进展，能够成功地解决一些实际问题，并最终成为一个学科分支还是近20余年的事。

对于许多问题，我们的前人和先行者已经知道如何求解。例如，欧几里德告诉我们可以用辗转相除法求两个整数的最大公约数；Dijkstra告诉我们如何有效地求两点之间的最短路径；Hoare向我们展示了怎样将杂乱无章的对象快速排序……对于这些问题，我们清楚地知道求解步骤。因此，让计算机求解这些问题只需要设计算法和数据结构、进行编程，而不需要让计算机学习。

还有一些事情，人们可以轻而易举地做好，但是却无法解释清楚我们是如何做的。例如，尽管桌子千差万别、用途各异，但是我们一眼就能看出某个物体是否是桌子；尽管不同的人的手写阿拉伯数字大小不一、笔画粗细不同，但是我们还是可以轻易识别一个数字是不是；尽管声音时大时小、有时可能还有点沙哑，但是我们还是可以不费力气地听出熟人的声音。诸如此类的例子不胜枚举。对于这些问题，我们不知道求解步骤。因此，让计算机来做这些事就需要让计算机学习。

我们知道桌子不是木材和各种材料的随机堆砌，手写数字不是像素的随机分布，熟人的声音也不是各种声波的随机混合。现实世界总是有规律的。机器学习正是从已知实例中自动发现规律，建立对未知实例的预测模型；根据经验不断提高，不断改进预测性能。

这是关于机器学习这一主题全面论述的教科书，适合作为高等院校计算机相关专业高年级本科生和研究生机器学习入门课程的教材。该书涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型：隐马尔可夫模型、分类算法评估和比较、组合多学习器以及增强学习。作者对来自统计学、模式识别、神经网络、人工智能、信号处理、控制和数据挖掘等不同领域的机器学习问题和学习方法进行了统一论述。

文摘插图：

第1章绪论

1.1什么是机器学习

随着计算机技术的发展，我们现在已经拥有存储和处理海量数据以及通过计算机网络从远程站点访问数据的能力。目前大多数的数据存取设备都是数字设备，记录的数据也很可靠。以一家连锁超市为例，它拥有遍布全国各地的数百家分店，并且在为数百万顾客提供数千种商品的零售服务。销售点的终端设备记录每笔交易的详细资料，包括日期、顾客识别码、购买商品和数量、消费总额等。这是典型的每日几个一字节的数据。只有分析这些数据，并且将它转换为可以利用的信息时，这些存储的数据才能变得有用，例如做预测。

我们不能确切地知道哪些人比较倾向于购买哪种特定的商品，也不知道应该向喜欢读海明威作品的人推荐哪位作者。如果我们知道，我们就不需要任何数据分析；我们只管供货并记录下编码就可以了。但是，正因为我们不知道，所以才只能收集数据，并期望从数据中提取这些问题或相似问题的答案。

我们确信存在某种过程，可以解释我们所观测到的数据。尽管我们不清楚数据产生过程（例如顾客行为）的细节，但是，我们知道数据产生不是完全随机的。人们并不是去超市随机购买商品。当人们买啤酒时，也会买薯片；夏天买冰淇淋，而冬天则为Gltthwein买香料。数据中存在确定的模式。

 

 

免责声明：本文为网络用户发布，其观点仅代表作者个人观点，与本站无关，本站仅提供信息存储服务。文中陈述内容未经本站证实，其真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。