新書推薦：
《
氢经济
》
售價：HK$
117.6
《
校园欺凌
》
售價：HK$
59.8
《
培训需求分析与年度计划制订——基于组织战略，做”对的”培训！
》
售價：HK$
82.8
《
这就是心理咨询：全球心理咨询师都在用的45项技术（第3版）
》
售價：HK$
153.6
《
正说清朝十二帝（修订珍藏版）
》
售價：HK$
105.6
《
黑海史：从历史涟漪到时代巨浪
》
售價：HK$
115.2
《
我，毕加索
》
售價：HK$
60.0
《
投资真相
》
售價：HK$
81.6
|
| 編輯推薦： |
|
《机器学习方法》在《统计学习方法》的基础上增加了深度学习的内容，全面系统地介绍了机器学习的主要方法，系统阐述其理论、模型、策略和算法，从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。《机器学习方法》可作为机器学习及相关课程的教学参考书，适合人工智能、文本数据挖掘、信息检索及自然语言处理等专业的本科生、研究生使用，也供计算机各个领域的专业研发人员参考。
|
| 內容簡介： |
|
机器学习是以概率论、统计学、信息论、**化理论、计算理论等为基础的计算机应用理论学科，也是人工智能、数据挖掘等领域的基础学科。《机器学习方法》全面系统地介绍了机器学习的主要方法，共分三篇。篇介绍监督学习的主要方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与**熵模型、支持向量机、Boosting、EM算法、隐马尔可夫模型、条件随机场等；第二篇介绍无监督学习的主要方法，包括聚类、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配、PageRank算法等。第三篇介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型、生成对抗网络等。书中每章介绍一两种机器学习方法，详细叙述各个方法的模型、策略和算法。从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。目的是使读者能学会和使用这些机器学习的基本技术。为满足读者进一步学习的需要，书中还对各个方法的要点进行了总结，给出了一些习题，并列出了主要参考文献。 《机器学习方法》是机器学习及相关课程的教学参考书，适合人工智能、数据挖掘等专业的本科生、研究生使用，也供计算机各个领域的专业研发人员参考。
|
| 關於作者： |
|
李航，字节跳动科技有限公司人工智能实验室总监， IEEE会士、ACL会士、ACM杰出科学家、CCF杰出会员。研究方向包括信息检索、自然语言处理、统计机器学习及数据挖掘。李航于1988年从日本京都大学电气工程系毕业，1998年获得日本东京大学计算机科学博士。他1990年至2001年就职于日本NEC公司中央研究所，任研究员；2001年至2012年就职于微软亚洲研究院，任高级研究员与主任研究员；2012年至2017年就职于华为技术有限公司诺亚方舟实验室，任首席科学家、主任。李航一直活跃在相关学术领域，曽出版过四部学术专著，并在国际学术会议和国际学术期刊上发表过120多篇学术论文，包括SIGIR， WWW， WSDM， ACL， EMNLP， ICML， NIPS， SIGKDD， AAAI， IJCAI，以及NLE， JMLR， TOIS， IRJ， IPM， TKDE， TWEB， TIST等。他和同事的论文获得了KDD2008应用论文奖，他指导的学生获得了SIGIR2008，ACL2012学生论文奖。李航参与了多项产品开发，包括Microsoft SQL Server 2005， Microsoft Office 2007， Microsoft Live Search 2008， Microsoft Bing 2009， Bing 2010， Office 2010， Office 2012，拥有42项授权美国专利。李航还在国际学术会议和国际学术期刊担任许多重要工作，如大会程序委员会主席，资深委员，及委员，期刊编委，包括SIGIR， WWW， WSDM， ACL， NAACL， EMNLP， NIPS，SIGKDD， ICDM， ACML， IJCAI， IRJ， TIST， JASIST， JCST等。
|
| 目錄：
|
第1篇 监 督 学 习
第1章 机器学习及监督学习概论 3
11机器学习 3
12机器学习的分类 5
121基本分类 5
122按模型分类 10
123按算法分类 11
124按技巧分类 12
13机器学习方法三要素 13
131模型 13
132策略 14
133算法 16
14模型评估与模型选择 17
141训练误差与测试误差 17
142过拟合与模型选择 18
15正则化与交叉验证 20
151正则化 20
152交叉验证 20
16泛化能力 21
161泛化误差 21
162泛化误差上界 22
17生成模型与判别模型 24
18监督学习应用 24
181分类问题 24
182标注问题 26
183回归问题 27
本章概要 28
继续阅读 29
习题 29
参考文献 29
VIII机器学习方法
第 2章感知机 30
21感知机模型 30
22感知机学习策略 31
221数据集的线性可分性 31
222感知机学习策略 31
23感知机学习算法 32
231感知机学习算法的原始形式 33
232算法的收敛性 35
233感知机学习算法的对偶形式 37
本章概要 39
继续阅读 40
习题 40
参考文献 40
第 3章 k近邻法 41
31 k近邻算法 41
32 k近邻模型 42
321模型 42
322距离度量 42
323 k值的选择 43
324分类决策规则 44
33 k近邻法的实现：kd树 44
331构造 kd树 45
332搜索 kd树 46
本章概要 48
继续阅读 48
习题 48
参考文献 49
第 4章朴素贝叶斯法 50
41朴素贝叶斯法的学习与分类 50
411基本方法 50
412后验概率化的含义 51
42朴素贝叶斯法的参数估计 52
421极大似然估计 52
422学习与分类算法 53
423贝叶斯估计 54
本章概要 55
继续阅读 56
目录 IX
习题 56
参考文献 56
第 5章决策树 57
51决策树模型与学习 57
511决策树模型 57
512决策树与 if-then规则 58
513决策树与条件概率分布 58
514决策树学习 58
52特征选择 60
521特征选择问题 60
522信息增益 61
523信息增益比 64
53决策树的生成 64
531 ID3算法 65
532 C45的生成算法 66
54决策树的剪枝 66
55 CART算法 68
551 CART生成 69
552 CART剪枝 72
本章概要 74
继续阅读 75
习题 75
参考文献 75
第 6章逻辑斯谛回归与熵模型 77
61逻辑斯谛回归模型 77
611逻辑斯谛分布 77
612二项逻辑斯谛回归模型 78
613模型参数估计 79
614多项逻辑斯谛回归 79
62熵模型 80
621熵原理 80
622熵模型的定义 82
623熵模型的学习 83
624极大似然估计 86
63模型学习的化算法 87
631改进的迭代尺度法 87
632拟牛顿法 90
机器学习方法
本章概要 91
继续阅读 92
习题 92
参考文献 93
第 7章支持向量机 94
71线性可分支持向量机与硬间隔化 94
711线性可分支持向量机 94
712函数间隔和几何间隔 96
713间隔化 97
714学习的对偶算法 101
72线性支持向量机与软间隔化 106
721线性支持向量机 106
722学习的对偶算法 107
723支持向量 110
724合页损失函数 111
73非线性支持向量机与核函数 112
731核技巧 112
732正定核 115
733常用核函数 118
734非线性支持向量分类机 120
74序列小化算法 121
741两个变量二次规划的求解方法 122
742变量的选择方法 124
743 SMO算法 126
本章概要 127
继续阅读 129
习题 129
参考文献 129
第 8章 Boosting 131
81 AdaBoost算法 131
811 Boosting的基本思路 131
812 AdaBoost算法 132
813 AdaBoost的例子 134
82 AdaBoost算法的训练误差分析 135
83 AdaBoost算法的解释 137
831前向分步算法 137
832前向分步算法与 AdaBoost 138
目录 XI
84提升树 140
841提升树模型 140
842提升树算法 140
843梯度提升 144
本章概要 145
继续阅读 146
习题 146
参考文献 146
第 9章 EM算法及其推广 148
91 EM算法的引入 148
911 EM算法 148
912 EM算法的导出 151
913 EM算法在无监督学习中的应用 153
92 EM算法的收敛性 153
93 EM算法在高斯混合模型学习中的应用 154
931高斯混合模型 155
932高斯混合模型参数估计的 EM算法 155
94 EM算法的推广 158
941 F函数的极大-极大算法 158
942 GEM算法 160
本章概要 161
继续阅读 162
习题 162
参考文献 162
第 10章隐马尔可夫模型 163
101隐马尔可夫模型的基本概念 163
1011隐马尔可夫模型的定义 163
1012观测序列的生成过程 166
1013隐马尔可夫模型的 3个基本问题 166
102概率计算算法 166
1021直接计算法 166
1022前向算法 167
1023后向算法 169
1024一些概率与期望值的计算 170
103学习算法 172
1031监督学习方法 172
1032 Baum-Welch算法 172
XII机器学习方法
1033 Baum-Welch模型参数估计公式 174
104预测算法 175
1041近似算法 175
1042维特比算法 176
本章概要 179
继续阅读 179
习题 180
参考文献 180
第 11章条件随机场 181
111概率无向图模型 181
1111模型定义 181
1112概率无向图模型的因子分解 183
112条件随机场的定义与形式 184
1121条件随机场的定义 184
1122条件随机场的参数化形式 185
1123条件随机场的简化形式 186
1124条件随机场的矩阵形式 187
113条件随机场的概率计算问题 189
1131前向-后向算法 189
1132概率计算 189
1133期望值的计算 190
114条件随机场的学习算法 191
1141改进的迭代尺度法 191
1142拟牛顿法 194
115条件随机场的预测算法 195
本章概要 197
继续阅读 198
习题 198
参考文献 199
第 12章监督学习方法总结 200
第
2篇
无
监
督
学
习
无监学习
第 13章无监督学习概论 207
131无监督学习基本原理 207
132基本问题 208
133机器学习三要素 210
134无监督学习方法 210
目录 XIII
本章概要 214
继续阅读 215
参考文献 215
第 14章聚类方法 216
141聚类的基本概念 216
1411相似度或距离 216
1412类或簇 219
1413类与类之间的距离 220
142层次聚类 220
143 k均值聚类 222
1431模型 222
1432策略 223
1433算法 224
1434算法特性 225
本章概要 226
继续阅读 227
习题 227
参考文献 227
第 15章奇异值分解 229
151奇异值分解的定义与性质 229
1511定义与定理 229
1512紧奇异值分解与截断奇异值分解 233
1513几何解释 235
1514主要性质 237
152奇异值分解的计算 238
153奇异值分解与矩阵近似 241
1531弗罗贝尼乌斯范数 241
1532矩阵的近似 242
1533矩阵的外积展开式 245
本章概要 247
继续阅读 248
习题 248
参考文献 249
第 16章主成分分析 250
161总体主成分分析 250
1611基本想法 250
XIV机器学习方法
1612定义和导出 252
1613主要性质 253
1614主成分的个数 257
1615规范化变量的总体主成分 260
162样本主成分分析 260
1621样本主成分的定义和性质 261
1622相关矩阵的特征值分解算法 263
1623数据矩阵的奇异值分解算法 265
本章概要 267
继续阅读 269
习题 269
参考文献 269
第 17章潜在语义分析 271
171单词向量空间与话题向量空间 271
1711单词向量空间 271
1712话题向量空间 273
172潜在语义分析算法 276
1721矩阵奇异值分解算法 276
1722例子 278
173非负矩阵分解算法 279
1731非负矩阵分解 279
1732潜在语义分析模型 280
1733非负矩阵分解的形式化 280
1734算法 281
本章概要 283
继续阅读 284
习题 284
参考文献 285
第 18章概率潜在语义分析 286
181概率潜在语义分析模型 286
1811基本想法 286
1812生成模型 287
1813共现模型 288
1814模型性质 289
182概率潜在语义分析的算法 291
本章概要 293
继续阅读 294
目录 XV
习题 294
参考文献 295
第 19章马尔可夫链蒙特卡罗法 296
191蒙特卡罗法 296
1911随机抽样 296
1912数学期望估计 297
1913积分计算 298
192马尔可夫链 299
1921基本定义 299
1922离散状态马尔可夫链 300
1923连续状态马尔可夫链 305
1924马尔可夫链的性质 306
193马尔可夫链蒙特卡罗法 310
1931基本想法 310
1932基本步骤 311
1933马尔可夫链蒙特卡罗法与统计学习 311
194 Metropolis-Hastings算法 312
1941基本原理 312
1942 Metropolis-Hastings算法 315
1943单分量 Metropolis-Hastings算法 315
195吉布斯抽样 316
1951基本原理 316
1952吉布斯抽样算法 318
1953抽样计算 319
本章概要 320
继续阅读 321
习题 321
参考文献 322
第 20章潜在狄利克雷分配 324
201狄利克雷分布 324
2011分布定义 324
2012共轭先验 327
202潜在狄利克雷分配模型 328
2021基本想法 328
2022模型定义 329
2023概率图模型 331
2024随机变量序列的可交换性 332
XVI机器学习方法
2025概率公式 332
203 LDA的吉布斯抽样算法 333
2031基本想法 333
2032算法的主要部分 334
2033算法的后处理 336
2034算法 337
204 LDA的变分 EM算法 338
2041变分推理 338
2042变分 EM算法 339
2043算法推导 340
2044算法总结 346
本章概要 346
继续阅读 348
习题 348
参考文献 348
第 21章 PageRank算法 349
211 PageRank的定义 349
2111基本想法 349
2112有向图和随机游走模型 350
2113 PageRank的基本定义 352
2114 PageRank的一般定义 354
212 PageRank的计算 355
2121迭代算法 355
2122幂法 357
2123代数算法 361
本章概要 362
继续阅读 363
习题 363
参考文献 364
第 22章无监督学习方法总结 365
221无监督学习方法的关系和特点 365
2211各种方法之间的关系 365
2212无监督学习方法 366
2213基础机器学习方法 366
222话题模型之间的关系和特点 367
参考文献 368
目录 XVII
第
3篇
深
度
学
习
第 23章前馈神经网络 371
231前馈神经网络的模型 371
2311前馈神经网络定义 372
2312前馈神经网络的例子 381
2313前馈神经网络的表示能力 386
232前馈神经网络的学习算法 389
2321前馈神经网络学习 389
2322前馈神经网络学习的优化算法 391
2323反向传播算法 393
2324在计算图上的实现 397
2325算法的实现技巧 401
233前馈神经网络学习的正则化 406
2331深度学习中的正则化 406
2332早停法 406
2333暂退法 408
本章概要 410
继续阅读 413
习题 413
参考文献 414
第 24章卷积神经网络 415
241卷积神经网络的模型 415
2411背景 415
2412卷积 416
2413汇聚 424
2414卷积神经网络 427
2415卷积神经网络性质 430
242卷积神经网络的学习算法 432
2421卷积导数 432
2422反向传播算法 433
243图像分类中的应用 436
2431 AlexNet 436
2432残差网络 437
本章概要 441
继续阅读 443
习题 443
参考文献 445
XVIII机器学习方法
第 25章循环神经网络 447
251简单循环神经网络 447
2511模型 447
2512学习算法 450
252常用循环神经网络 454
2521长短期记忆网络 454
2522门控循环单元网络 457
2523深度循环神经网络 458
2524双向循环神经网络 459
253自然语言生成中的应用 460
2531词向量 460
2532语言模型与语言生成 463
本章概要 465
继续阅读 467
习题 467
参考文献 468
第 26章序列到序列模型 469
261序列到序列基本模型 469
2611序列到序列学习 469
2612基本模型 471
262 RNN Search模型 472
2621注意力 472
2622模型定义 474
2623模型特点 475
263 Transformer模型 475
2631模型架构 476
2632模型特点 482
本章概要 483
继续阅读 486
习题 486
参考文献 486
第 27章预训练语言模型 488
271 GPT模型 488
2711预训练语言模型 488
2712模型和学习 490
272 BERT模型 493
2721去噪自动编码器 493
2722模型和学习 495
目录 XIX
2723模型特点 499
本章概要 500
继续阅读 502
习题 502
参考文献 502
第 28章生成对抗网络 504
281 GAN基本模型 504
2811模型 504
2812学习算法 506
2813理论分析 507
282图像生成中的应用 508
2821转置卷积 509
2822 DCGAN 511
本章概要 513
继续阅读 514
习题 514
参考文献 515
第 29章深度学习方法总结 516
291深度学习的模型 516
292深度学习的方法 518
293深度学习的优化算法 520
294深度学习的优缺点 522
参考文献 523
附录 A梯度下降法 524
附录 B牛顿法和拟牛顿法 526
附录 C拉格朗日对偶性 531
附录 D矩阵的基本子空间 534
附录 E KL散度的定义和狄利克雷分布的性质 537
附录 F软化函数的偏导数和交叉熵损失函数的偏导数 539
索引 541
目录
第1篇 监 督 学 习
第1章 机器学习及监督学习概论 3
11机器学习 3
12机器学习的分类 5
121基本分类 5
122按模型分类 10
123按算法分类 11
124按技巧分类 12
13机器学习方法三要素 13
131模型 13
132策略 14
133算法 16
14模型评估与模型选择 17
141训练误差与测试误差 17
142过拟合与模型选择 18
15正则化与交叉验证 20
151正则化 20
152交叉验证 20
16泛化能力 21
161泛化误差 21
162泛化误差上界 22
17生成模型与判别模型 24
18监督学习应用 24
181分类问题 24
182标注问题 26
183回归问题 27
本章概要 28
继续阅读 29
习题 29
参考文献 29
VIII机器学习方法
第 2章感知机 30
21感知机模型 30
22感知机学习策略 31
221数据集的线性可分性 31
222感知机学习策略 31
23感知机学习算法 32
231感知机学习算法的原始形式 33
232算法的收敛性 35
233感知机学习算法的对偶形式 37
本章概要 39
继续阅读 40
习题 40
参考文献 40
第 3章 k近邻法 41
31 k近邻算法 41
32 k近邻模型 42
321模型 42
322距离度量 42
323 k值的选择 43
324分类决策规则 44
33 k近邻法的实现：kd树 44
331构造 kd树 45
332搜索 kd树 46
本章概要 48
继续阅读 48
习题 48
参考文献 49
第 4章朴素贝叶斯法 50
41朴素贝叶斯法的学习与分类 50
411基本方法 50
412后验概率化的含义 51
42朴素贝叶斯法的参数估计 52
421极大似然估计 52
422学习与分类算法 53
423贝叶斯估计 54
本章概要 55
继续阅读 56
目录 IX
习题 56
参考文献 56
第 5章决策树 57
51决策树模型与学习 57
511决策树模型 57
512决策树与 if-then规则 58
513决策树与条件概率分布 58
514决策树学习 58
52特征选择 60
521特征选择问题 60
522信息增益 61
523信息增益比 64
53决策树的生成 64
531 ID3算法 65
532 C45的生成算法 66
54决策树的剪枝 66
55 CART算法 68
551 CART生成 69
552 CART剪枝 72
本章概要 74
继续阅读 75
习题 75
参考文献 75
第 6章逻辑斯谛回归与熵模型 77
61逻辑斯谛回归模型 77
611逻辑斯谛分布 77
612二项逻辑斯谛回归模型 78
613模型参数估计 79
614多项逻辑斯谛回归 79
62熵模型 80
621熵原理 80
622熵模型的定义 82
623熵模型的学习 83
624极大似然估计 86
63模型学习的化算法 87
631改进的迭代尺度法 87
632拟牛顿法 90
机器学习方法
本章概要 91
继续阅读 92
习题 92
参考文献 93
第 7章支持向量机 94
71线性可分支持向量机与硬间隔化 94
711线性可分支持向量机 94
712函数间隔和几何间隔 96
713间隔化 97
714学习的对偶算法 101
72线性支持向量机与软间隔化 106
721线性支持向量机 106
722学习的对偶算法 107
723支持向量 110
724合页损失函数 111
73非线性支持向量机与核函数 112
731核技巧 112
732正定核 115
733常用核函数 118
734非线性支持向量分类机 120
74序列小化算法 121
741两个变量二次规划的求解方法 122
742变量的选择方法 124
743 SMO算法 126
本章概要 127
继续阅读 129
习题 129
参考文献 129
第 8章 Boosting 131
81 AdaBoost算法 131
811 Boosting的基本思路 131
812 AdaBoost算法 132
813 AdaBoost的例子 134
82 AdaBoost算法的训练误差分析 135
83 AdaBoost算法的解释 137
831前向分步算法 137
832前向分步算法与 AdaBoost 138
目录 XI
84提升树 140
841提升树模型 140
842提升树算法 140
843梯度提升 144
本章概要 145
继续阅读 146
习题 146
参考文献 146
第 9章 EM算法及其推广 148
91 EM算法的引入 148
911 EM算法 148
912 EM算法的导出 151
913 EM算法在无监督学习中的应用 153
92 EM算法的收敛性 153
93 EM算法在高斯混合模型学习中的应用 154
931高斯混合模型 155
932高斯混合模型参数估计的 EM算法 155
94 EM算法的推广 158
941 F函数的极大-极大算法 158
942 GEM算法 160
本章概要 161
继续阅读 162
习题 162
参考文献 162
第 10章隐马尔可夫模型 163
101隐马尔可夫模型的基本概念 163
1011隐马尔可夫模型的定义 163
1012观测序列的生成过程 166
1013隐马尔可夫模型的 3个基本问题 166
102概率计算算法 166
1021直接计算法 166
1022前向算法 167
1023后向算法 169
1024一些概率与期望值的计算 170
103学习算法 172
1031监督学习方法 172
1032 Baum-Welch算法 172
XII机器学习方法
1033 Baum-Welch模型参数估计公式 174
104预测算法 175
1041近似算法 175
1042维特比算法 176
本章概要 179
继续阅读 179
习题 180
参考文献 180
第 11章条件随机场 181
111概率无向图模型 181
1111模型定义 181
1112概率无向图模型的因子分解 183
112条件随机场的定义与形式 184
1121条件随机场的定义 184
1122条件随机场的参数化形式 185
1123条件随机场的简化形式 186
1124条件随机场的矩阵形式 187
113条件随机场的概率计算问题 189
1131前向-后向算法 189
1132概率计算 189
1133期望值的计算 190
114条件随机场的学习算法 191
1141改进的迭代尺度法 191
1142拟牛顿法 194
115条件随机场的预测算法 195
本章概要 197
继续阅读 198
习题 198
参考文献 199
第 12章监督学习方法总结 200
第
2篇
无
监
督
学
习
无监学习
第 13章无监督学习概论 207
131无监督学习基本原理 207
132基本问题 208
133机器学习三要素 210
134无监督学习方法 210
目录 XIII
本章概要 214
继续阅读 215
参考文献 215
第 14章聚类方法 216
141聚类的基本概念 216
1411相似度或距离 216
1412类或簇 219
1413类与类之间的距离 220
142层次聚类 220
143 k均值聚类 222
1431模型 222
1432策略 223
1433算法 224
1434算法特性 225
本章概要 226
继续阅读 227
习题 227
参考文献 227
第 15章奇异值分解 229
151奇异值分解的定义与性质 229
1511定义与定理 229
1512紧奇异值分解与截断奇异值分解 233
1513几何解释 235
1514主要性质 237
152奇异值分解的计算 238
153奇异值分解与矩阵近似 241
1531弗罗贝尼乌斯范数 241
1532矩阵的近似 242
1533矩阵的外积展开式 245
本章概要 247
继续阅读 248
习题 248
参考文献 249
第 16章主成分分析 250
161总体主成分分析 250
1611基本想法 250
XIV机器学习方法
1612定义和导出 252
1613主要性质 253
1614主成分的个数 257
1615规范化变量的总体主成分 260
162样本主成分分析 260
1621样本主成分的定义和性质 261
1622相关矩阵的特征值分解算法 263
1623数据矩阵的奇异值分解算法 265
本章概要 267
继续阅读 269
习题 269
参考文献 269
第 17章潜在语义分析 271
171单词向量空间与话题向量空间 271
1711单词向量空间 271
1712话题向量空间 273
172潜在语义分析算法 276
1721矩阵奇异值分解算法 276
1722例子 278
173非负矩阵分解算法 279
1731非负矩阵分解 279
1732潜在语义分析模型 280
1733非负矩阵分解的形式化 280
1734算法 281
本章概要 283
继续阅读 284
习题 284
参考文献 285
第 18章概率潜在语义分析 286
181概率潜在语义分析模型 286
1811基本想法 286
1812生成模型 287
1813共现模型 288
1814模型性质 289
182概率潜在语义分析的算法 291
本章概要 293
继续阅读 294
目录 XV
习题 294
参考文献 295
第 19章马尔可夫链蒙特卡罗法 296
191蒙特卡罗法 296
1911随机抽样 296
1912数学期望估计 297
1913积分计算 298
192马尔可夫链 299
1921基本定义 299
1922离散状态马尔可夫链 300
1923连续状态马尔可夫链 305
1924马尔可夫链的性质 306
193马尔可夫链蒙特卡罗法 310
1931基本想法 310
1932基本步骤 311
1933马尔可夫链蒙特卡罗法与统计学习 311
194 Metropolis-Hastings算法 312
1941基本原理 312
1942 Metropolis-Hastings算法 315
1943单分量 Metropolis-Hastings算法 315
195吉布斯抽样 316
1951基本原理 316
1952吉布斯抽样算法 318
1953抽样计算 319
本章概要 320
继续阅读 321
习题 321
参考文献 322
第 20章潜在狄利克雷分配 324
201狄利克雷分布 324
2011分布定义 324
2012共轭先验 327
202潜在狄利克雷分配模型 328
2021基本想法 328
2022模型定义 329
2023概率图模型 331
2024随机变量序列的可交换性 332
XVI机器学习方法
2025概率公式 332
203 LDA的吉布斯抽样算法 333
2031基本想法 333
2032算法的主要部分 334
2033算法的后处理 336
2034算法 337
204 LDA的变分 EM算法 338
2041变分推理 338
2042变分 EM算法 339
2043算法推导 340
2044算法总结 346
本章概要 346
继续阅读 348
习题 348
参考文献 348
第 21章 PageRank算法 349
211 PageRank的定义 349
2111基本想法 349
2112有向图和随机游走模型 350
2113 PageRank的基本定义 352
2114 PageRank的一般定义 354
212 PageRank的计算 355
2121迭代算法 355
2122幂法 357
2123代数算法 361
本章概要 362
继续阅读 363
习题 363
参考文献 364
第 22章无监督学习方法总结 365
221无监督学习方法的关系和特点 365
2211各种方法之间的关系 365
2212无监督学习方法 366
2213基础机器学习方法 366
222话题模型之间的关系和特点 367
参考文献 368
目录 XVII
第
3篇
深
度
学
习
第 23章前馈神经网络 371
231前馈神经网络的模型 371
2311前馈神经网络定义 372
2312前馈神经网络的例子 381
2313前馈神经网络的表示能力 386
232前馈神经网络的学习算法 389
2321前馈神经网络学习 389
2322前馈神经网络学习的优化算法 391
2323反向传播算法 393
2324在计算图上的实现 397
2325算法的实现技巧 401
233前馈神经网络学习的正则化 406
2331深度学习中的正则化 406
2332早停法 406
2333暂退法 408
本章概要 410
继续阅读 413
习题 413
参考文献 414
第 24章卷积神经网络 415
241卷积神经网络的模型 415
2411背景 415
2412卷积 416
2413汇聚 424
2414卷积神经网络 427
2415卷积神经网络性质 430
242卷积神经网络的学习算法 432
2421卷积导数 432
2422反向传播算法 433
243图像分类中的应用 436
2431 AlexNet 436
2432残差网络 437
本章概要 441
继续阅读 443
习题 443
参考文献 445
XVIII机器学习方法
第 25章循环神经网络 447
251简单循环神经网络 447
2511模型 447
2512学习算法 450
252常用循环神经网络 454
2521长短期记忆网络 454
2522门控循环单元网络 457
2523深度循环神经网络 458
2524双向循环神经网络 459
253自然语言生成中的应用 460
2531词向量 460
2532语言模型与语言生成 463
本章概要 465
继续阅读 467
习题 467
参考文献 468
第 26章序列到序列模型 469
261序列到序列基本模型 469
2611序列到序列学习 469
2612基本模型 471
262 RNN Search模型 472
2621注意力 472
2622模型定义 474
2623模型特点 475
263 Transformer模型 475
2631模型架构 476
2632模型特点 482
本章概要 483
继续阅读 486
习题 486
参考文献 486
第 27章预训练语言模型 488
271 GPT模型 488
2711预训练语言模型 488
2712模型和学习 490
272 BERT模型 493
2721去噪自动编码器 493
2722模型和学习 495
目录 XIX
2723模型特点 499
本章概要 500
继续阅读 502
习题 502
参考文献 502
第 28章生成对抗网络 504
281 GAN基本模型 504
2811模型 504
2812学习算法 506
2813理论分析 507
282图像生成中的应用 508
2821转置卷积 509
2822 DCGAN 511
本章概要 513
继续阅读 514
习题 514
参考文献 515
第 29章深度学习方法总结 516
291深度学习的模型 516
292深度学习的方法 518
293深度学习的优化算法 520
294深度学习的优缺点 522
参考文献 523
附录 A梯度下降法 524
附录 B牛顿法和拟牛顿法 526
附录 C拉格朗日对偶性 531
附录 D矩阵的基本子空间 534
附录 E KL散度的定义和狄利克雷分布的性质 537
附录 F软化函数的偏导数和交叉熵损失函数的偏导数 539
索引 541
|
| 內容試閱：
|
2012年《统计学习方法 (第 1版)》出版，内容涵盖监督学习的主要方法， 2019年第 2版出版，增加了无监督学习的主要方法，都属于传统机器学习。在这段时间里，机器学习领域发生了巨大变化，深度学习在人工智能各个应用方向取得了巨大突破，成为机器学习的主流技术，彻底改变了机器学习的面貌。有些读者希望能看到与之前风格相同的讲解深度学习的书籍，这也触发了作者在原来《统计学习方法》的基础上增加深度学习内容的想法（计划今后再增加强化学习）。从 2018年开始，历时 3年左右，完成了深度学习的写作。
考虑到内容的变化，现将书名更改为《机器学习方法》。第 1篇监督学习和第 2篇无监督学习基本为原来的内容，增加第 3篇深度学习，希望对读者有所裨益。传统机器学习是深度学习的基础，所以将这些内容放在一本书里讲述也有其合理之处。虽然深度学习目前是大家关注的重点，但传统机器学习仍然有其不容忽视的地位。事实上，传统机器学习和深度学习各自有更适合的应用场景，比如，深度学习长于大数据、复杂问题的预测，特别是人工智能的应用；传统机器学习善于小数据、相对简单问题的预测。
本书的定位是讲解机器学习的基本内容，并不完全是入门书。介绍的内容都是基本的，在这种意义上适合初学者。但主旨是把重要的原理和方法做系统的总结，方便大家经常阅读和复习。在写第 3篇的时候也接受大家对第 1篇和第 2篇的反馈意见，在力求文字简练清晰的同时，也确保叙述的详尽明了，以方便读者理解。在各章方法的导入部分适当增加了背景和动机的介绍。
第 3篇中使用的数学符号与第 1篇和第 2篇有一定的对应关系，但由于深度学习的特点也有一些改变，也都能自成体系。将符号完全统一于一个框架内还需要做大量的工作，希望在增加第 4篇强化学习之后再做处理。
对第 3篇的原稿，郑诗源、张新松等帮助做了校阅，对一些章节的内容提出了宝贵的意见。责任编辑王倩也为本书的出版做了大量工作。在此对他们表示衷心的感谢。
李航
2021年 5月 27日
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
