顶部
  1. 首页
  2. 图书产品
  3. 机器学习
收藏

机器学习

样章
作者：
主编：严晓东 副主编： 陈华 王国长 赵烜
定价：
54.00元
ISBN：
978-7-04-062394-9
版面字数：
380.000千字
开本：
16开
全书页数：
暂无
装帧形式：
平装
重点项目：
暂无
出版时间：
2024-10-15
读者对象：
高等教育
一级分类：
数学与统计学类
二级分类：
信息与计算科学专业课
三级分类：
其他课程

本书深入浅出地介绍了机器学习与大数据分析的核心方法，包括无监督学习、监督学习、稀疏学习、深度学习、集成学习及增量学习六大部分。书中不仅注重理论推导，还通过丰富的插图和实例直观解释原理。同时，提供R与Python两种语言的实现方法，方便读者实操练习。

本书适合普通高等学校统计学类专业、数据科学相关专业本科高年级学生或研究生使用，也可供从事大数据分析、人工智能、机器学习等领域的科技工作者参考。

  • 前辅文
  • 第一部分 无监督学习
    • 第一章 聚类分析
      • 1.1 简介
      • 1.2 相似度
        • 1.2.1 数据对象间相似度
        • 1.2.2 簇间相似度
      • 1.3 K均值聚类
        • 1.3.1 原理
        • 1.3.2 特点
      • 1.4 模糊C均值聚类
      • 1.5 高斯混合聚类
      • 1.6 层次聚类
      • 1.7 DBSCAN聚类
      • 1.8 其他类型聚类方法
        • 1.8.1 混合型数据聚类方法
        • 1.8.2 双向聚类方法
      • 1.9 聚类实践
      • 本章小结
      • 习题
    • 第二章 主成分分析
      • 2.1 简介
      • 2.2 总体的主成分
        • 2.2.1 总体主成分的定义
        • 2.2.2 总体主成分的求法
        • 2.2.3 总体主成分的性质
        • 2.2.4 标准化变量的主成分
      • 2.3 样本主成分
      • 2.4 非线性主成分分析
        • 2.4.1 核主成分分析
        • 2.4.2 t-SNE非线性降维算法
      • 2.5 主成分分析实践
      • 本章小结
      • 习题
  • 第二部分 监督学习
    • 第三章 回归分析
      • 3.1 简介
      • 3.2 单响应变量的线性回归模型
        • 3.2.1 线性回归模型的原理
        • 3.2.2 多重共线性
        • 3.2.3 岭回归
      • 3.3 广义线性模型
        • 3.3.1 指数型分布族
        • 3.3.2 连接函数
        • 3.3.3 广义线性模型
      • 3.4 多元响应变量协方差广义线性模型
        • 3.4.1 McGLM模型的原理
        • 3.4.2 参数估计
      • 3.5 回归分析实践
      • 本章小结
      • 习题
    • 第四章 支持向量机
      • 4.1 简介
      • 4.2 SVM算法
        • 4.2.1 SVM的基本内容
        • 4.2.2 线性可分SVM
        • 4.2.3 软间隔与线性SVM
        • 4.2.4 核函数与非线性SVM
      • 4.3 SVM与逻辑斯谛回归的关系
      • 4.4 支持向量回归
      • 4.5 SVM实践
      • 本章小结
      • 习题
    • 第五章 决策树
      • 5.1 简介
      • 5.2 决策树的基本原理
      • 5.3 分类树与回归树
        • 5.3.1 分类树
        • 5.3.2 回归树
      • 5.4 分支条件
        • 5.4.1 信息熵
        • 5.4.2 信息增益
        • 5.4.3 增益率
        • 5.4.4 基尼指数
        • 5.4.5 分类误差
        • 5.4.6 均方误差
        • 5.4.7 算法总结
      • 5.5 剪枝
        • 5.5.1 预剪枝
        • 5.5.2 后剪枝
      • 5.6 决策树实践
      • 本章小结
      • 习题
    • 第六章 保形预测简介
      • 6.1. 简单运用
        • 6.1.2 预测集的有效性
        • 6.1.3 效率
      • 6.2 保形回归
        • 6.2.1 保形预测基本思想
        • 6.2.2 完全保形预测
      • 6.3 保形方法
        • 6.3.1 分裂保形预测
        • 6.3.2 刀切法保形预测
        • 6.3.3 局部加权保形预测
      • 6.4 保形分类
        • 6.4.1 Softmax法
        • 6.4.2 最近邻法
      • 6.5 保形预测实践
      • 本章小结
      • 习题
  • 第三部分 稀疏学习
    • 第七章 模型选择
      • 7.1 简介
      • 7.2 基于准则的方法
        • 7.2.1 各种准则
        • 7.2.2 交叉验证
      • 7.3 基于检验的方法
        • 7.3.1 最优子集法
        • 7.3.2 逐步选择法
      • 7.4 正则化方法
        • 7.4.1 Lasso回归
        • 7.4.2 非凸惩罚函数回归——SCAD和MCP
        • 7.4.3 群组变量选择方法
        • 7.4.4 双层变量选择方法
      • 7.5 模型选择实践
      • 本章小结
      • 习题
    • 第八章 特征筛选
      • 8.1 简介
      • 8.2 基于边际模型的特征筛选
        • 8.2.1 边际最小二乘
        • 8.2.2 边际最大似然
        • 8.2.3 边际非参估计
      • 8.3 基于边际相关系数的特征筛选
        • 8.3.1 广义和秩相关系数
        • 8.3.2 确定独立秩筛选
        • 8.3.3 距离相关系数
      • 8.4 高维分类数据的特征筛选
        • 8.4.1 柯尔莫哥洛夫-斯米尔诺夫统计量
        • 8.4.2 均值——方差统计量
        • 8.4.3 类别自适应筛选统计量
      • 8.5 特征筛选实践
      • 本章小结
      • 习题
  • 第四部分 深度学习
    • 第九章 人工神经网络
      • 9.1 简介
      • 9.2 人工神经元
      • 9.3 前馈神经网络
        • 9.3.1 单层感知器
        • 9.3.2 多层感知器
      • 9.4 神经网络的正向与反向传播算法
        • 9.4.1 神经网络的正向传播
        • 9.4.2 神经网络的损失函数
        • 9.4.3 反向传播算法
        • 9.4.4 全局最小与局部极小
      • 9.5 径向基网络
      • 9.6 其他常见的神经网络
      • 9.7 神经网络实践
      • 本章小结
      • 习题
    • 第十章 深度学习
      • 10.1 简介
      • 10.2 卷积神经网络
        • 10.2.1 卷积运算
        • 10.2.2 基本参数
        • 10.2.3 卷积神经网络的一般结构
        • 10.2.4 常见的卷积神经网络
      • 10.3 简单循环神经网络
      • 10.4 长短时记忆神经网络
      • 10.5 自编码器
      • 10.6 玻尔兹曼机
        • 10.6.1 随机神经网络
        • 10.6.2 模拟退火算法
        • 10.6.3 BM
      • 10.7 深度学习实践
      • 本章小结
      • 习题
  • 第五部分 集成学习
    • 第十一章 随机森林
      • 11.1 简介
      • 11.2 随机森林基本概况
      • 11.3 随机森林基本理论
        • 11.3.1 回归树基本理论
        • 11.3.2 分类树基本理论
      • 11.4 随机森林实践
      • 本章小结
      • 习题
    • 第十二章 Boosting方法
      • 12.1 简介
        • 12.1.1 Boosting方法起源
        • 12.1.2 AdaBoost算法
        • 12.1.3 AdaBoost实例
      • 12.2 AdaBoost算法的误差分析
        • 12.2.1 AdaBoost算法的训练误差
        • 12.2.2 AdaBoost算法的泛化误差
      • 12.3 AdaBoost算法原理探析
        • 12.3.1 损失函数最小化视域
        • 12.3.2 向前逐段可加视域
      • 12.4 Boosting算法的演化
        • 12.4.1 回归问题的Boosting算法
        • 12.4.2 梯度Boosting方法
      • 12.5 AdaBoost算法实践
      • 本章小结
      • 习题
    • 第十三章 模型平均
      • 13.1 简介
        • 13.1.1 模型不确定性
        • 13.1.2 模型选择与模型平均
      • 13.2 贝叶斯模型平均
      • 13.3 频率模型平均
      • 13.4 权重选择方法
        • 13.4.1 基于信息准则
        • 13.4.2 基于马洛斯准则
        • 13.4.3 基于刀切法准则
      • 13.5 模型平均实践
      • 本章小结
      • 习题
  • 第六部分 增量学习
    • 第十四章 在线学习
      • 14.1 简介
      • 14.2 累积统计量在线学习
        • 14.2.1 均值模型
        • 14.2.2 线性模型
      • 14.3 在线梯度下降
        • 14.3.1 OGD算法一般形式
        • 14.3.2 OGD算法收敛性分析
        • 14.3.3 线性模型的OGD算法
        • 14.3.4 岭回归模型的OGD算法
      • 14.4 基于正则化的在线梯度下降
        • 14.4.1 FTL算法
        • 14.4.2 FTRL算法
        • 14.4.3 FTRL-Proximal算法
      • 14.5 在线学习实践
      • 本章小结
      • 习题
    • 第十五章 并行计算
      • 15.1 简介
      • 15.2 并行计算相关概念
        • 15.2.1 进程
        • 15.2.2 线程
        • 15.2.3 并行计算与分布式计算
        • 15.2.4 同步与异步
        • 15.2.5 通信
        • 15.2.6 加速比
      • 15.3 基于CPU线程的并行计算
        • 15.3.1 创建线程
        • 15.3.2 同步
      • 15.4 基于CPU进程的并行计算
        • 15.4.1 创建进程
        • 15.4.2 进程间通信
        • 15.4.3 同步
      • 15.5 基于GPU线程的并行计算
        • 15.5.1 CUDA基本概念
        • 15.5.2 CUDA线程组织
        • 15.5.3 CUDA内存组织
        • 15.5.4 PyCUDA
        • 15.5.5 TensorFlow
      • 15.6 并行计算实践
      • 本章小结
      • 习题
    • 第十六章 迁移学习
      • 16.1 迁移学习的概述
        • 16.1.1 分布散度的度量
        • 16.1.2 分布散度的统一表示
        • 16.1.3 迁移学习的统一框架
      • 16.2 实例加权方法
        • 16.2.1 问题定义
        • 16.2.2 实例选择方法
        • 16.2.3 权重自适应方法
      • 16.3 统计特征变换方法
        • 16.3.1 特征变换方法及问题定义
        • 16.3.2 基于最大均值差异的方法
        • 16.3.3 基于度量学习的方法
      • 16.4 几何特征变换方法
        • 16.4.1 子空间学习方法
        • 16.4.2 流形学习方法
        • 16.4.3 最优传输方法
      • 16.5 迁移学习实践
      • 本章小结
      • 习题
  • 参考文献