电子工业出版社-网上书店

本译著提供了基于神经网络的机器学习主题，除过介绍基本的物理和数学原理基础之外，主要从统计物理的基础方法和科学工程应用结合起来，提供了理解现代视觉让读者解决实践中遇到的问题。本书组织结构清楚，分为3部分，第1部分Hopfield Networks，第2部分，监督学习，第3部分，非监督学习。涉及的很多前言主题，例如卷积神经网络，深度学习和强化学习。此外，作者还主要将机器学习的这些理论方法在科学和工程中的应用做了大量工作，让计算机科学家和工程师能够解决工作遇到的实际问题。

第1章  导论	1
1.1  什么是机器学习	1
1.2  机器学习的基本概念	4
1.2.1  分类与回归	4
1.2.2  监督学习与无监督学习	4
1.2.3  简单模型与复杂模型	5
1.2.4  参数模型与非参数模型	8
1.2.5  过拟合与欠拟合	9
1.2.6  偏差-方差权衡	11
1.3  机器学习的一般原则	12
1.3.1  奥卡姆剃刀	12
1.3.2  没有免费午餐定理	13
1.3.3  平滑世界定律	14
1.3.4  维度灾难	16
1.4  机器学习中的高级主题	17
1.4.1  强化学习	17
1.4.2  元学习	17
1.4.3  因果推断	18
1.4.4  其他高级主题	18
练习	18
第2章  数学基础	20
2.1  线性代数	20
2.1.1  向量和矩阵	20
2.1.2  作为矩阵乘法的线性变换	21
2.1.3  基本矩阵运算	23
2.1.4  特征值和特征向量	25
2.1.5  矩阵演算	27
2.2  概率与统计	29
2.2.1  随机变量和分布	29
2.2.2  期望值：均值、方差和矩	31
2.2.3  联合、边际和条件分布	33
2.2.4  常见概率分布	37
2.2.5  随机变量的变换	44
2.3  信息论	45
2.3.1  信息和熵	46
2.3.2  互信息	48
2.3.3  KL散度	51
2.4  数学优化	54
2.4.1  一般形式	55
2.4.2  最优条件	56
2.4.3  数值优化方法	66
练习	71
第3章  监督机器学习（简介）	75
3.1  概述	75
3.2  实例探究	80
第4章  特征提取	84
4.1  特征提取：概念	84
4.1.1  特征工程	84
4.1.2  特征选择	86
4.1.3  降维	86
4.2  线性降维	87
4.2.1  主成分分析	87
4.2.2  线性判别分析	93
4.3  非线性降维（I）：流形学习	96
4.3.1  局部线性嵌入	96
4.3.2  多维缩放	98
4.3.3  随机邻域嵌入	99
4.4  非线性降维（II）：神经网络	100
4.4.1  自编码器	100
4.4.2  瓶颈特征	101
实验室项目一	101
练习	102
判 别 模 型
第5章  统计学习理论	105
5.1  判别模型的制定	105
5.2  可学习性	107
5.3  泛化边界	108
5.3.1  有限模型空间：| |	108
5.3.2  无限模型空间：VC维	110
练习	113
第6章  线性模型	115
6.1  感知机	116
6.2  线性回归	120
6.3  最小分类误差	121
6.4  逻辑回归	123
6.5  支持向量机	125
6.5.1  线性支持向量机	125
6.5.2  软支持向量机	132
6.5.3  非线性支持向量机：核技巧	133
6.5.4  求解二次规划	136
6.5.5  多类支持向量机	138
实验室项目二	139
练习	140
第7章  学习通用判别模型	142
7.1  学习判别模型的通用框架	142
7.1.1  机器学习中的常见损失函数	144
7.1.2  基于 范数的正则化	146
7.2  岭回归与LASSO	148
7.3  矩阵分解	150
7.4  字典学习	155
实验室项目三	158
练习	159
第8章  神经网络	161
8.1  人工神经网络	162
8.1.1  人工神经网络的基本公式	163
8.1.2  数学证明：通用近似	165
8.2  神经网络结构	167
8.2.1  连接层的基本构造块	167
8.2.2  案例分析一：完全连接深度神经网络	176
8.2.3  案例分析二：卷积神经网络	178
8.2.4  案例分析三：递归神经网络	182
8.2.5  案例分析四：transformer	184
8.3  神经网络的学习算法	187
8.3.1  损失函数	187
8.3.2  自动微分法	188
8.3.3  随机梯度下降优化	201
8.4  优化的启发式和技巧	203
8.4.1  其他随机梯度下降变量优化方法：ADAM	204
8.4.2  正则化	207
8.4.3  微调技巧	209
8.5  端到端学习	210
实验室项目四	212
练习	213
第9章  集成学习	215
9.1  整体学习的模拟	215
9.2  袋装法	221
9.3  提升法	222
9.3.1  梯度提升	223
9.3.2  AdaBoost	225
9.3.3  梯度树提升法	228
实验室项目五	230
练习	230
生 成 模 型
第10章  生成模型概述	233
10.1  生成模型的形成	233
10.2  贝叶斯决策理论	235
10.2.1  分类生成模型	235
10.2.2  回归生成模型	240
10.3  统计数据建模	241
10.4  密度估计	244
10.4.1  最大似然估计	244
10.4.2  最大似然分类器	247
10.5  生成模型（概括）	247
练习	249
第11章  单峰模型	251
11.1  高斯模型	252
11.2  多项式模型	256
11.3  马尔可夫链模型	258
11.4  广义线性模型	263
11.4.1  概率回归	264
11.4.2  泊松回归	265
11.4.3  对数线性模型	266
练习	268
第12章  混合模型	270
12.1  构建混合模型	271
12.1.1  指数族（e族）	272
12.1.2  混合模型的形式化定义	274
12.2  期望最大化方法	275
12.2.1  辅助函数：消除对数和	275
12.2.2  期望最大化算法	279
12.3  高斯混合模型	282
12.4  隐马尔可夫模型	286
12.4.1  马尔可夫模型：序列的混合模型	286
12.4.2  评估问题：前向后退算法	292
12.4.3  解码问题：维特比算法	296
12.4.4  训练问题：马尔可夫算法	298
实验项目六	305
练习	306
第13章  纠缠模型	309
13.1  纠缠模型的形成	309
13.1.1  纠缠模型框架	310
13.1.2  一般纠缠模型的学习	312
13.2  线性高斯模型	314
13.2.1  概率PCA	315
13.2.2  因素分析	316
13.3  非高斯模型	318
13.3.1  独立成分分析（ICA）	318
13.3.2  独立因素分析（IFA）	320
13.3.3  混合正交投影与估计（HOPE）	320
13.4  深度生成模型	321
13.4.1  变分自编码器（VAE）	322
13.4.2  生成式对抗网络（GAN）	326
练习	327
第14章  贝叶斯学习	329
14.1  构建贝叶斯学习	329
14.1.1  贝叶斯推理	331
14.1.2  最大化后验估计	332
14.1.3  顺序贝叶斯学习	333
14.2  共轭先验	336
14.3  近似推理	342
14.3.1  拉普拉斯方法	343
14.3.2  变分贝叶斯（VB）方法	345
14.4  高斯过程	351
14.4.1  高斯过程作为非参数先验	351
14.4.2  回归高斯过程	354
14.4.3  分类高斯过程	357
练习	358
第15章  图模型	360
15.1  图模型概念	360
15.2  贝叶斯网络	364
15.2.1  条件独立	364
15.2.2  用贝叶斯网络表示生成模型	371
15.2.3  学习贝叶斯网络	375
15.2.4  推理算法	377
15.2.5  案例研究一：朴素贝叶斯分类器	383
15.2.6  案例研究二：潜在狄利克雷分配	384
15.3  马尔可夫随机场	387
15.3.1  等式：势函数和配分函数	387
15.3.2  案例研究三：条件随机场	390
15.3.3  案例研究四：限制玻尔兹曼机器	392
练习	394
附录A	396
参考文献

近年来，机器学习、深度学习和人工智能备受学术界和产业界关注，对机器学习感兴趣的人越来越多，尤其是国家出台了《新一代人工智能发展规划》，从国家战略角度部署了发展三步走战略目标。从此，人工智能在学术界和产业界都被推向了高潮，而机器学习是人工智能的主要研究内容。20世纪80年代，机器学习开始兴起，从理论方面得到了积累。已有的神经网络、支持向量机和随机森林等算法是机器学习经典算法，也是机器学习者必须要掌握的基本知识和技能。
国际上关于机器学习的书籍主要分为两类，一类从介绍机器学习理论具体技术的角度展开，重点介绍机器学习的理论自身，对常见机器学习算法进行讨论，或者重点介绍某个具体的机器学习理论，例如，迁移学习、元学习等相关主题的专著。另一类是从算法实现采用的Python相关库的角度。例如，Scikit-learn，Keras和PyTorch，这些书为初学者和有志于从事机器学习的人员带来了一定的挑战。
本书试图为有志于从事机器学习的读者提供一本机器学习基础入门参考书。本书注重机器学习基础，为读者提供机器学习的基础知识，方便读者系统地深入学习机器学习。本书是Hui Jiang总结近些年教学经验和科研成果，精心编写的教科书，涵盖了机器学习的大量主题。本书以简洁明了的方式介绍了机器学习的概念、算法和原理，在理论方面避免了繁重的数学机制和过多的细节，并通过Python和MATLAB对其算法进行了实现。本书主要分为两部分，第一部分是机器学习所涉及的数学基础、基础理论和机器学习基础，第二部分是常见的机器学习讲解和实现，主要涉及常见的生成式模型和判别式模型。本书是适用于机器学习初学者和对该领域感兴趣的人员的教材。无论是研究深度学习，还是迁移学习和元学习等前沿技术，读者应该至少提前系统地学习机器学习基础知识。然而，机器学习学之不易，学习过程难免产生焦虑感，容易陷入困局。本书浅显易懂，并提供了大量的配图，不仅有助于理解机器学习的重要思想，更有助于感受和体会这个学科领域的魅力，使得自己的付出都能够得到回报。
在翻译本书的过程中，我得到了很多人的帮助。电子科技大学外国语学院康奕，对外经济贸易大学英语学院许瀚，西南交通大学外国语学院周宇健和吉林财经大学外国语学院张煜琪等都参与了本书审校工作。我以本书作为参考教材，对人工智能和机器学习等主题进行了公益培训。这一过程中不断地查阅资料，获得各位参与人员的反馈，使我有机会对本书中的翻译细节进行了修正。感谢他们在这个过程中所做的工作。最后，感谢电子工业出版社的编辑们，他们做了大量的编辑和校对工作，有效提升了本书质量。
由于本书涉及的内容范围较广，深度较深，加上译者翻译水平有限，翻译过程中难免有错漏之处，欢迎各位读者在阅读过程中将本书参考源码问题和勘误提交至E-mail（guotao3s@163.com）交流。


郭  涛
2023年11月

本书配套资源下载

对不起，暂无音视频资源！