电子工业出版社-网上书店

本书全面系统地讲解了机器学习的理论与方法，内容主要包括高斯混合模型和EM算法、主题模型、非参数贝叶斯模型、聚类分析、图模型、支持向量机、矩阵分解、深度学习及强化学习。本书旨在使读者了解机器学习的发展，理解和掌握它的基本原理、方法与主要应用。本书内容丰富，着重机器学习理论的推导与证明，并通过实例进行方法的分析与比较。同时，本书强调机器学习的系统性、完整性和时效性，可读性强。

第1章绪论
1.1机器学习的定义
1.2机器学习的发展历史
1.3机器学习的分类
1.3.1基于学习系统的反馈分类
1.3.2基于所获取知识的表示形式分类
1.3.3按应用领域分类
1.3.4综合分类
1.4性能度量
1.4.1数据集
1.4.2误差
1.4.3过拟合与欠拟合
1.4.4评估方法
1.4.5性能度量指标
1.5本章小结
第2章EM算法和高斯模型
2.1EM算法
2.1.1极大似然估计
2.1.2EM算法的引入
2.1.3EM算法的推导
2.1.4EM算法的步骤
2.1.5EM算法的收敛性
2.2高斯模型
2.2.1单高斯模型
2.2.2高斯混合模型
2.2.3GMM参数估计
2.3本章小结
第3章主题模型
3.1传统的主题模型
3.1.1VSM模型
3.1.2LSI模型
3.2概率主题模型
3.2.1LDA主题模型
3.2.2HDP-LDA主题模型
3.3具有zipf定律性质的主题模型
3.3.1PY过程
3.3.2PHTM主题模型
3.4PHTM推理算法
3.4.1算法描述
3.4.2实验
3.5本章小结
第4章抽样与非参数贝叶斯方法
4.1单个随机变量抽样
4.1.1通过逆累积分布函数抽样
4.1.2拒绝抽样（Rejection Sampling）
4.1.3重要性抽样（Importance Sampling）
4.2序列随机变量抽样与马尔可夫链蒙特卡洛
4.2.1MH算法
4.2.2吉布斯抽样
4.2.3切片抽样（Slice Sampling）
4.3非参数贝叶斯模型与狄利克雷过程
4.3.1非参数贝叶斯模型
4.3.2狄利克雷过程
4.4狄利克雷过程的构造方式
4.4.1波利亚坛子过程
4.4.2折棍子过程
4.4.3中餐馆过程
4.5本章小结
第5章聚类分析
5.1数据相似性度量
5.2经典聚类算法
5.2.1划分算法
5.2.2层次聚类算法
5.2.3基于密度的聚类算法
5.2.4基于网格的聚类算法
5.2.5基于模型的聚类算法
5.3K均值算法、K中心点算法及其改进算法
5.3.1K均值算法
5.3.2K中心点算法
5.3.3核K均值算法
5.3.4EM聚类
5.3.5基于随机搜索应用于大型应用的聚类算法CLARANS
5.4谱聚类
5.4.1相似图
5.4.2拉普拉斯矩阵
5.4.3谱聚类算法
5.5基于约束的聚类
5.5.1含有障碍物的对象聚类
5.5.2用户约束的聚类分析
5.5.3半监督聚类分析
5.6在线聚类
5.7聚类与降维
5.8本章小结
第6章支持向量机
6.1统计学习理论
6.1.1经验风险最小化
6.1.2VC维
6.1.3结构风险最小化
6.2支持向量机的基本原理
6.3支持向量机分类器
6.3.1线性支持向量机分类器
6.3.2非线性可分的支持向量机分类器
6.3.3一类分类
6.3.4多类分类
6.4核函数
6.4.1核函数的定义
6.4.2核函数的构造
6.4.3几种常用的核函数
6.5支持向量回归机
6.6支持向量机的应用实例
6.6.1图像分类
6.6.2其他应用
6.7本章小结
第7章概率无向图模型
7.1概率无向图模型概述
7.2逻辑斯谛回归模型
7.2.1逻辑斯谛函数与分布
7.2.2极大似然估计模型参数
7.3最大熵模型
7.3.1最大熵原理
7.3.2最大熵模型概述
7.4条件随机场
7.4.1模型
7.4.2条件随机场的关键问题
7.5本章小结
第8章概率有向图模型
8.1概率有向图模型概述
8.2贝叶斯网络
8.2.1贝叶斯定理
8.2.2有向分离
8.2.3贝叶斯网络构造
8.2.4贝叶斯网络学习
8.3隐马尔可夫模型
8.3.1隐马尔可夫模型描述
8.3.2隐马尔可夫模型的三个基本问题
8.4本章小结
第9章矩阵与张量分解
9.1等值与低轶矩阵分解
9.2非负矩阵分解
9.3矩阵分解与推荐系统
9.4张量分解
9.5非负张量分解
9.6本章小结
第10章多层感知机
10.1感知机
10.2多层感知机概述
10.2.1误差反传算法
10.2.2多层感知机的优势和局限性
10.2.3BP算法的改进
10.3本章小结
第11章卷积神经网络
11.1卷积神经网络的生物学基础
11.2卷积神经网络的结构元件
11.2.1卷积层
11.2.2池化层
11.2.3激活层
11.2.4全连接层
11.3典型的卷积神经网络
11.3.1AlexNet
11.3.2VGG
11.3.3GoogLeNet
11.3.4ResNet
11.3.5DenseNet
11.4卷积神经网络的训练技巧
11.4.1批归一化
11.4.2随机失活
11.5本章小结
第12章循环神经网络
12.1循环神经网络结构
12.2循环神经网络的训练
12.2.1损失函数
12.2.2时间反向传播算法
12.2.3梯度消失与梯度爆炸
12.3双向循环神经网络与深度循环神经网络
12.4长短期记忆网络
12.4.1LSTM记忆单元
12.4.2LSTM 记忆方式
12.5门控循环单元
12.6本章小结
第13章强化学习
13.1强化学习模型及基本要素
13.1.1强化学习模型
13.1.2强化学习基本要素
13.2马尔可夫决策过程
13.2.1马尔可夫过程
13.2.2马尔可夫决策过程概述
13.3部分可观测的马尔可夫决策过程
13.4模型已知的强化学习
13.4.1线性规划
13.4.2策略迭代
13.4.3值迭代
13.4.4广义策略迭代
13.5模型未知的强化学习
13.5.1蒙特卡洛方法
13.5.2时间差分法
13.5.3Q学习与SARSA学习
13.5.4Actor-Critic学习
13.6基于逼近方法的强化学习
13.6.1值函数逼近的TD学习
13.6.2近似值迭代方法
13.6.3近似策略迭代
13.7深度强化学习
13.7.1深度Q学习（Deep Q-learning）
13.7.2深度双Q学习
13.7.3异步深度Q学习
13.7.4其他深度强化学习
13.8本章小结
参考文献

前言

机器学习是计算机科学和人工智能重要的分支领域，也是一些交叉学科的重要支撑技术。机器学习主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，并不断改善自身的性能。人工智能已经上升为国家战略，机器学习相关产业发展迅猛，随之而来的是人才的巨大缺口，因此迫切需要系统介绍机器学习理论与方法的相关书籍。
本书系统地讲解了机器学习的理论与方法，全书共分为13章。第1章介绍了机器学习的基本概念、发展历史和机器学习的分类，以及机器学习方法的性能度量；第2章讨论了极大似然估计算法，在此基础上推导了EM算法，分析了高斯混合模型，并采用EM算法估计了高斯混合模型参数；第3章介绍了概率主题模型，以及变分法和采样法两种求解方法，讨论了PY过程的理论基础及其性质，给出了具有zipf定律性质的主题模型和模型的推理算法；第4章阐述了单随机变量采样和序列随机变量采样方法，并介绍了非参数贝叶斯模型和狄利克雷过程的相关概念，以及狄利克雷过程3种常见的构造方式；第5章讨论了无监督学习中的聚类算法，包括经典的聚类算法、谱聚类算法等；第6章在分析统计学习理论的基础上讨论了支持向量机的基本原理、支持向量机分类器、支持向量回归机，以及核函数，并介绍了支持向量机的应用；第7章介绍了逻辑斯谛回归模型、最大熵模型和条件随机场等典型的概率无向图模型；第8章讨论了概率有向图模型，从完整数据结构学习和缺失数据结构学习两方面介绍了贝叶斯网络，讨论了隐马尔可夫模型和三个基本问题，以及其对应的算法；第9章介绍了等值与低秩矩阵分解、非负矩阵分解、非负张量分解等矩阵和张量分解的相关理论与方法，并给出其应用；第10章讲解了感知机和多层感知机，介绍了误差反传算法及其改进算法；第11章介绍了卷积神经网络的发展、组成部分、典型的卷积神经网络，以及训练技巧；第12章讨论了循环神经网络的结构和它的训练，并介绍了长短期记忆网络和门控循环单元两种典型的循环神经网络；第13章讲解了强化学习的相关理论，介绍了强化学习的TD学习、MC学习、Q学习、Double-Q学习、SARSA学习和Actor-Critic学习等方法，以及深度强化学习的相关理论与方法。
本书内容丰富，着重讲解机器学习方法的原理，让您知其然，知其所以然，并通过实例让读者对方法有更深的理解。本书强调机器学习的系统性、完整性和方法的时效性；本书内容包括基础理论、应用技术和工程实践。本书既适合相关专业学生，又适用于社会人士学习，让读者学会各种机器学习方法，体验学习机器学习知识的乐趣。
感谢徐亚苗、龚一鸣、黄云飞在本书审查、校对阶段的辛勤工作，以及对本书投入过心血的所有人！在本书写作和出版的过程中，电子工业出版社的副总编赵丽松和责任编辑张迪给予了很多帮助，在此特向她们致谢。
由于作者水平有限，书中难免有不足之处，敬请读者批评指正，提出宝贵意见。

本书配套资源下载

对不起，暂无音视频资源！

人工智能：机器学习理论与方法