機器學習及其應用 Applied Machine Learning

M. Gopal 譯者 黃智瀕 楊武兵

買這商品的人也買了...

相關主題

商品描述

本書是關於機器學習的綜合性教程,涵蓋全部基礎知識和理論,涉及不同應用領域的技術和算法。
書中提出,機器學習背後的大多數想法都是簡單且直接的。
為了鼓勵讀者在實踐中理解機器學習算法,本書提供一個配套平台,
利用自我學習的機器學習項目,再結合一些基準測試應用的數據集,
通過實驗比較書中介紹的各類算法,從而實現深入理解。
本書對於入門階段的研究生和學者非常有益,會為進一步的深入研究打好基礎。
此外,本書也適合對機器學習感興趣的工程師和其他技術人員閱讀。

作者簡介

M. Gopal

機器學習領域的知名學者,曾任印度理工學院教授,擁有40餘年的教學及研究經驗,
感興趣的方向為機器學習、模式識別和智能控制。
他的教材和視頻課程在全球範圍內廣為採用,
是YouTube上頗受歡迎的課程之一,學生數以百萬計。

---譯者簡介---
黃智瀕

計算機系統結構博士,北京郵電大學計算機學院講師。
長期從事機器學習、超大規模並行計算、
GPU加速計算以及三維計算機視覺和深度學習架構方面的研究。


楊武兵

博士,中國航天空氣動力技術研究院研究員,長期從事計算空氣動力學、
流動穩定性和湍流等方面的研究。
其團隊長期致力於用深度神經網絡和各類機器學習方法,
研究基於大渦模擬和直接數值模擬的流場流動結構的智能識別技術,
推進人工智能在空氣動力學領域的應用。

目錄大綱

譯者序
前言
致謝
作者簡介
第1章引言
11走向智能機器
12良好的機器學習問題
13各種領域的應用實例
14數據表示
141時間序列預測
14 2練習數據集和現實問題數據集
15機器學習生產應用所需的領域知識
16多樣化的數據:結構的/非結構的
17學習形式
171監督/直接學習
172無監督/間接學習
173強化學習
174基於自然過程的學習:進化、群智和免疫系統
18機器學習和數據挖掘
19機器學習技術中的基本線性代數知識
110機器學習的相關資源

第2章監督學習:基本原理和基礎知識
21從觀察中學習
22偏差和方差
23為什麼學習是有效的:計算學習理論
2 4奧卡姆剃刀原理和防止過擬合
25歸納學習中的啟發式搜索
251搜索假設空間
252集成學習
253學習系統的評估
26泛化誤差估計
261留出法和隨機子採樣
262交叉驗證
263自助法
27用於評估回歸(數值預測)準確率的度量指標
271均方誤差
272平均絕對誤差
28用於評估分類(模式識別)準確率的度量指標
281誤分類的誤差
282混淆矩陣
283基於ROC曲線的分類器比較
29機器學習中的設計週期和問題概述

第3章統計學習
31機器學習和推斷統計分析
32學習技術中的描述統計學
321表示數據的不確定性:概率分佈
322概率分佈的描述性度量
323數據樣本的描述性度量
324正態分佈
325數據相似性
33貝葉斯推理:推理的一種概率方法
331貝葉斯定理
332樸素貝葉斯分類器
333貝葉斯信念網絡
34k近鄰分類器
35判別函數和回歸函數
351分類和判別函數
352數值預測和回歸函數
3 53實用假設函數
36基於最小二乘誤差準則的線性回歸
361最小化誤差平方和以及偽逆
362梯度下降優化方案
363最小均方算法
37用於分類任務的邏輯回歸
38費希爾的線性判別和分類的閾值
381費希爾的線性判別
382閾值
39最小描述長度原則
391貝葉斯視角
39 2熵和信息

第4章學習支持向量機
41引言
42二元分類的線性判別函數
43感知器算法
44用於線性可分離數據的線性邊距的分類器
45用於重疊類的線性軟邊距分類器
46核函數約簡的特徵空間
47非線性分類器
48支持向量機的回歸器
481線性回歸器
482非線性回歸器
49將多元分類問題分解為二元分類任務
491一對所有
492一對一
410基本SVM技術的變體

第5章基於神經網絡的學習
51走向認知機器
52神經元模型
521生物神經元
522人工神經元
523數學模型
53網絡架構
531前饋網絡
5 32循環網絡
54感知器
541線性分類任務中感知器算法的局限性
542使用回歸技術的線性分類器
543標準梯度下降優化方案:最速下降
55線性神經元和WidrowHoff學習規則
56誤差修正的delta規則
57多層感知器網絡和誤差反向傳播算法
57 1廣義的delta規則
572收斂和局部最小值
573為梯度下降增加動量項
574誤差反向傳播算法的啟發式方面
58MLP網絡的多元判別
5 9徑向基函數網絡
510遺傳神經系統

第6章模糊推理系統
61引言
62認知不確定性和模糊規則庫
63知識的模糊量化
631模糊邏輯
6 32模糊集
633模糊集操作
634模糊關係
64模糊規則庫和近似推理
641通過模糊關係量化規則
642輸入的模糊化
6 43推理機制
644推斷模糊集的去模糊化
65模糊推理系統的MAMDANI模型
651移動障礙物中的移動機器人導航
652抵押貸款評估
6 6TS模糊模型
67神經模糊推理系統
671ANFIS架構
672ANFIS如何學習
68遺傳模糊系統

第7章數據聚類和數據轉換
71無監督學習
72數據工程
721探索性數據分析:了解數據中的內容
722聚類分析:查找數據中的相似性
723數據轉換:增強數據的信息內容
73基本聚類方法概述
731分割聚類
732層次聚類
733譜聚類
734使用自組織映射進行聚類
74K均值聚類
75模糊K均值聚類
76期望化算法和高斯混合聚類
761EM算法
76 2高斯混合模型
77一些有用的數據轉換
771數據清洗
772衍生屬性
773離散化數值屬性
774屬性約簡技術
78基於熵的屬性離散化方法
79用於屬性約簡的主成分分析
710基於粗糙集的屬性約簡方法
7101粗糙集基礎
7102屬性相關性分析
7103屬性約簡

第8章決策樹學習
8.1引言
8.2決策樹分類的例子
8.3評估決策樹分裂的不純度度量
8.3.1信息增益/熵減少
8.3.2增益比
8.3.3基尼係數
8.4 ID3、C45以及CART決策樹
8.5樹的剪枝
8.6決策樹方法的優勢和劣勢
8.7模糊決策樹

第9章商業智能與數據挖掘:技術和應用
9.1關於分析的簡介
9.1.1機器學習、數據挖掘和預測分析
9.1.2基本分析技術
9.2CRISPDM(跨行業數據挖掘標準流程)模型
9.3數據倉庫和在線分析處理
9.3.1基本概念
9.3.2數據庫
9.3.3數據倉庫:通用架構和OLAP操作
9.3.4數據倉庫環境中的數據挖掘
9.4挖掘頻繁模式和關聯規則
9.4.1基本概念
9.4.2頻繁模式和關聯規則的強度的度量
9.4.3頻繁項集挖掘方法
9.4.4從頻繁項集生成關聯規則
9.5智能信息檢索系統
9.5.1文本檢索
9.5.2圖像檢索
9.5.3音頻檢索
9.6應用和趨勢
9.6.1數據挖掘應用程序
9.6.2數據挖掘趨勢
9.7大數據技術
9.7.1新興的分析方法
9.7.2更高級的可擴展的新興技術
附錄A用於搜索的遺傳算法
附錄B強化學習
附錄C用於機器學習實驗的真實生活應用的數據集
課後習題
參考文獻