機器學習與優化 机器学习与优化

[意] 羅伯托·巴蒂蒂 ,毛羅·布魯納托

買這商品的人也買了...

相關主題

商品描述

本書是機器學習實戰領域的一本佳作,從機器學習的基本概念講起,旨在將初學者引入機器學習的大門,並走上實踐的道路。本書通過講解機器學習中的監督學習和無監督學習,並結合特徵選擇和排序、聚類方法、文本和網頁挖掘等熱點問題,論證了“優化是力量之源”這一觀點,為機器學習在企業中的應用提供了切實可行的操作建議。

作者簡介

作者:[意]羅伯托·巴蒂蒂(Roberto Battiti) ,毛羅·布魯納托(Mauro Brunato)譯者:王彧弋

羅伯托·巴蒂蒂(Roberto Battiti)
人工智能領域先驅,IEEE會士。因在無功搜索優化(RSO)方向做出了開創性的工作而名震學界。目前為意大利特倫託大學教授,同時擔任特倫託大學機器學習與智能優化實驗室(LION lab)主任。

毛羅·布魯納托(Mauro Brunato)
意大利特倫託大學助理教授,LION研究團隊成員。
 

目錄大綱

第1章引言1 
1.1學習與智能優化:燎原之火1 
1.2尋找黃金和尋找伴侶3 
1.3需要的只是數據5 
1.4超越傳統的商業智能5 
1.5 LION方法的實施6 
1.6 “動手”的方法6 

第2章懶惰學習:最近鄰方法9 

第3章學習需要方法14 
3.1從已標記的案例中學習:最小化和泛化16 
3.2學習、驗證、測試18 
3.3不同類型的誤差21 

第一部分監督學習
第4章線性模型26 
4.1線性回歸27 
4.2處理非線性函數關係的技巧28 
4.3用於分類的線性模型29 
4.4大腦是如何工作的30 
4.5線性模型為何普遍,為何成功31 
4.6最小化平方誤差和32 
4.7數值不穩定性和嶺回歸34 

第5章廣義線性最小二乘法37 
5.1擬合的優劣和卡方分佈38 
5.2最小二乘法與最大似然估計42 
5.2.1假設檢驗42 
5.2.2交叉驗證44 
5.3置信度的自助法44
 
第6章規則、決策樹和森林50 
6.1構造決策樹52
6.2民主與決策森林56 

第7章特徵排序及選擇59 
7.1特徵選擇:情境60 
7.2相關係數62 
7.3相關比63 
7.4卡方檢驗拒絕統計獨立性64 
7.5熵和互信息64 

第8章特定非線性模型67 
8.1 logistic回歸67 
8.2局部加權回歸69 
8.3用LASSO來縮小係數和選擇輸入值72 

第9章神經網絡:多層感知器76 
9.1多層感知器78 
9.2通過反向傳播法學習80 
9.2.1批量和bold driver反向傳播法81 
9.2.2在線或隨機反向傳播82 
9.2.3訓練多層感知器的高級優化83 

第10章深度和卷積網絡84 
10.1深度神經網絡85 
10.1.1自動編碼器86 
10.1.2隨機噪聲、屏蔽和課程88 
10.2局部感受野和卷積網絡89 

第11章統計學習理論和支持向量機94 
11.1經驗風險最小化96 
11.1.1線性可分問題98 
11.1.2不可分問題100 
11.1.3非線性假設100 
11.1.4用於回歸的支持向量101 

第12章最小二乘法和健壯內核機器103
12.1最小二乘支持向量機分類器104 
12.2健壯加權最小二乘支持向量機106 
12.3通過修剪恢復稀疏107 
12.4算法改進:調諧QP、原始版本、無補償108 

第13章機器學習中的民主110 
13.1堆疊和融合111 
13.2實例操作帶來的多樣性:裝袋法和提升法113 
13.3特徵操作帶來的多樣性114 
13.4輸出值操作帶來的多樣性:糾錯碼115 
13.5訓練階段隨機性帶來的多樣性115 
13.6加性logistic回歸115 
13.7民主有助於準確率-拒絕的折中118 

第14章遞歸神經網絡和儲備池計算121 
14.1遞歸神經網絡122 
14.2能量極小化霍普菲爾德網絡124 
14.3遞歸神經網絡和時序反向傳播126 
14.4遞歸神經網絡儲備池學習127 
14.5超限學習機128 

第二部分無監督學習和聚類
第15章自頂向下的聚類:K均值132 
15.1無監督學習的方法134 
15.2聚類:表示與度量135 
15.3硬聚類或軟聚類的K均值方法137 

第16章自底向上(凝聚)聚類142 
16.1合 並標準以及樹狀圖142 
16.2適應點的分佈距離:馬氏距離144
16.3附錄:聚類的可視化146 

第17章自組織映射149 
17.1將實體映射到原型的人工皮層150 
17.2使用成熟的自組織映射進行分類153 

第18章通過線性變換降維(投影) 155 
18.1線性投影156 
18.2主成分分析158 
18.3加權主成分分析:結合坐標和關係160 
18.4通過比值優化進行線性判別161 
18.5費希爾線性判別分析163 

第19章通過非線性映射可視化圖與網絡165 
19.1最小應力可視化166 
19.2一維情況:譜圖繪製168 
19.3複雜圖形分佈標準170 

第20章半監督學習174 
20.1用部分無監督數據進行學習175 
20.1.1低密度區域中的分離177 
20.1.2基於圖的算法177 
20.1 .3學習度量179 
20.1.4集成約束和度量學習179 

第三部分優化:力量之源
第21章自動改進的局部方法184 
21.1優化和學習185 
21.2基於導數技術的一維情況186 
21.2.1導數可以由割線近似190 
21.2.2一維最小化191 
21.3求解高維模型(二次正定型) 191
21.3.1梯度與最速下降法194 
21.3.2共軛梯度法196 
21.4高維中的非線性優化196 
21.4.1通過線性查找的全局收斂197 
21.4.2解決不定黑塞矩陣198 
21.4.3與模型信賴域方法的關係199 
21.4.4割線法200 
21.4.5縮小差距:二階方法與線性複雜度201 
21.5不涉及導數的技術:反饋仿射振盪器202 
21.5.1 RAS:抽樣區域的適應性203 
21.5 .2為健壯性和多樣化所做的重複205 

第22章局部搜索和反饋搜索優化211 
22.1基於擾動的局部搜索212 
22.2反饋搜索優化:搜索時學習215 
22.3基於禁忌的反饋搜索優化217 

第23章合作反饋搜索優化222 
23.1局部搜索過程的智能協作223 
23.2 CoRSO:一個政治上的類比224 
23.3 CoRSO的例子:RSO與RAS合作226 

第24章多目標反饋搜索優化232 
24.1多目標優化和帕累托最優233 
24.2腦-計算機優化:循環中的用戶235 

第四部分應用精選
第25章文本和網頁挖掘240 
25.1網頁信息檢索與組織241 
25.1.1 爬蟲241
25.1.2索引242 
25.2信息檢索與排名244 
25.2.1從文檔到向量:向量-空間模型245 
25.2.2相關反饋247 
25.2.3更複雜的相似性度量248 
25.3使用超鏈接來進行網頁排名250 
25.4確定中心和權威:HITS 254 
25.5聚類256 

第26章協同過濾和推薦257 
26.1通過相似用戶結合評分258 
26.2基於矩陣分解的模型260 
參考文獻263 
索引269