微信读书书城机器学习
首页我的书架登录
书籍封面
机器学习周志华
微信读书推荐值
85.9%
229人点评
推荐
一般
不行
推荐
一般
不行
推荐(197)
一般(20)
不行(12)
阅读
2.3万人
电子书
会员卡可读
字数
31.6万字
简介

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章,大致分为3 个部分:第1 部分(第1~3 章)介绍机器学习的基础知识;第2 部分(第4~10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分(第11~16 章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

简介

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章,大致分为3 个部分:第1 部分(第1~3 章)介绍机器学习的基础知识;第2 部分(第4~10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分(第11~16 章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

版权

出版社清华大学出版社
出版时间2016年1月
字数316,837
分类计算机-人工智能
试读结束
本书为付费会员卡可读
登录后获得专属福利 · 百万好书免费读
热门想法
复制
划线
写想法
查询
书友想法
写想法
公开
想法 · 0
写想法
书友想法
写想法
公开
查询
继续提问
Generated by AI
写想法
公开
字号大小
字体
书籍封面

机器学习

周志华
  • 扉页
  • 版权信息
    +书签
  • 序言
  • 前言
  • 如何使用本书——写在第十次印刷之际
  • 主要符号表
  • 第1章 绪论
  • 1.1 引言
  • 1.2 基本术语
  • 1.3 假设空间
  • 1.4 归纳偏好
  • 1.5 发展历程
  • 1.6 应用现状
  • 1.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第2章 模型评估与选择
  • 2.1 经验误差与过拟合
  • 2.2 评估方法
  • 2.3 性能度量
  • 2.4 比较检验
  • 2.5 偏差与方差
  • 2.6 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第3章 线性模型
  • 3.1 基本形式
  • 3.2 线性回归
  • 3.3 对数几率回归
  • 3.4 线性判别分析
  • 3.5 多分类学习
  • 3.6 类别不平衡问题
  • 3.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第4章 决策树
  • 4.1 基本流程
  • 4.2 划分选择
  • 4.3 剪枝处理
  • 4.4 连续与缺失值
  • 4.5 多变量决策树
  • 4.6 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第5章 神经网络
  • 5.1 神经元模型
  • 5.2 感知机与多层网络
  • 5.3 误差逆传播算法
  • 5.4 全局最小与局部极小
  • 5.5 其他常见神经网络
  • 5.6 深度学习
  • 5.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第6章 支持向量机
  • 6.1 间隔与支持向量
  • 6.2 对偶问题
  • 6.3 核函数
  • 6.4 软间隔与正则化
  • 6.5 支持向量回归
  • 6.6 核方法
  • 6.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第7章 贝叶斯分类器
  • 7.1 贝叶斯决策论
  • 7.2 极大似然估计
  • 7.3 朴素贝叶斯分类器
  • 7.4 半朴素贝叶斯分类器
  • 7.5 贝叶斯网
  • 7.6 EM算法
  • 7.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第8章 集成学习
  • 8.1 个体与集成
  • 8.2 Boosting
  • 8.3 Bagging与随机森林
  • 8.4 结合策略
  • 8.5 多样性
  • 8.6 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第9章 聚类
  • 9.1 聚类任务
  • 9.2 性能度量
  • 9.3 距离计算
  • 9.4 原型聚类
  • 9.5 密度聚类
  • 9.6 层次聚类
  • 9.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第10章 降维与度量学习
  • 10.1 k近邻学习
  • 10.2 低维嵌入
  • 10.3 主成分分析
  • 10.4 归纳偏好
  • 10.5 流形学习
  • 10.6 度量学习
  • 10.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第11章 特征选择与稀疏学习
  • 11.1 子集搜索与评价
  • 11.2 过滤式选择
  • 11.3 包裹式选择
  • 11.4 嵌入式选择与L1正则化
  • 11.5 稀疏表示与字典学习
  • 11.6 压缩感知
  • 11.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第12章 计算学习理论
  • 12.1 基础知识
  • 12.2 PAC学习
  • 12.3 有限假设空间
  • 12.4 VC维
  • 12.5 Rademacher复杂度
  • 12.6 稳定性
  • 12.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第13章 半监督学习
  • 13.1 未标记样本
  • 13.2 生成式方法
  • 13.3 半监督SVM
  • 13.4 图半监督学习
  • 13.5 基于分歧的方法
  • 13.6 半监督聚类
  • 13.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第14章 概率图模型
  • 14.1 隐马尔可夫模型
  • 14.2 马尔可夫随机场
  • 14.3 条件随机场
  • 14.4 学习与推断
  • 14.5 近似推断
  • 14.6 话题模型
  • 14.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第15章 规则学习
  • 15.1 基本概念
  • 15.2 序贯覆盖
  • 15.3 剪枝优化
  • 15.4 一阶规则学习
  • 15.5 归纳逻辑程序设计
  • 15.6 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 第16章 强化学习
  • 16.1 任务与奖赏
  • 16.2 K-摇臂赌博机
  • 16.3 有模型学习
  • 16.4 免模型学习
  • 16.5 值函数近似
  • 16.6 模仿学习
  • 16.7 阅读材料
  • 习题
  • 参考文献
  • 休息一会儿
  • 附录
  • A 矩阵
  • B 优化
  • C 概率分布
  • 后记
是否关闭自动购买?
关闭后,阅读到本书未购买章节均需要手动购买确认。
取消关闭
机器学习
已读到0% · 共0条笔记
书籍封面
你可以在这里记录本书的
想法、划线、书签
点评此书
点评此书
推荐
一般
不行
公开
书友想法
《机器学习》

仅支持付费会员使用
微信扫码开通付费会员
qr

仅支持付费会员使用
微信扫码开通付费会员
qr