《机器学习:从公理到算法》PDF电子书免费下载

作者:  于剑

出版年: 2017年07月01日

ISBN: 9787302471363

~~滚到底部有网盘下载链接~~

内容简介

目录

第1章引言 1
1.1机器学习的目的:从数据到知识 1
1.2机器学习的基本框架 2
1.2.1数据集合与对象特性表示 3
1.2.2学习判据 4
1.2.3学习算法 5
1.3机器学习思想简论 .5 延伸阅读 .7 习题 8 参考文献 .9
第2章归类理论 11
2.1类表示公理 13
2.2归类公理 .17
2.3归类结果分类 .20
2.4归类方法设计准则 .22
2.4.1类一致性准则 23
2.4.2类紧致性准则 23
2.4.3类分离性准则 25
2.4.4奥卡姆剃刀准则 .25 讨论 .27 延伸阅读 .29 习题 .30 参考文献 .31
第3章密度估计 33
3.1密度估计的参数方法 33
3.1.1最大似然估计 33
3.1.2贝叶斯估计 .35
3.2密度估计的非参数方法 .39
3.2.1直方图 .39
3.2.2核密度估计 .39
3.2.3K近邻密度估计法 40 延伸阅读 .40 习题 .41 参考文献 .41
第4章回归 43
4.1线性回归 .43
4.2岭回归 .47
4.3Lasso回归 .48 讨论 .51 习题 .52 参考文献 .52
第5章单类数据降维 53
5.1主成分分析 54
5.2非负矩阵分解 .56
5.3字典学习与稀疏表示 57
5.4局部线性嵌入 .59
5.5典型关联分析 .62
5.6多维度尺度分析与等距映射 .63 讨论 .65 习题 .66 参考文献 .66
第6章聚类理论 69
6.1聚类问题表示及相关定义 .69
6.2聚类算法设计准则 .70
6.2.1类紧致性准则和聚类不等式 70
6.2.2类分离性准则和重合类非稳定假设 72
6.2.3类一致性准则和迭代型聚类算法 73
6.3聚类有效性 73
6.3.1外部方法 73
6.3.2内蕴方法 75 延伸阅读 .76 习题 .77 参考文献 .77
第7章聚类算法 81
7.1样例理论:层次聚类算法 .81
7.2原型理论:点原型聚类算法 83
7.2.1C均值算法 84
7.2.2模糊C均值 86
7.3基于密度估计的聚类算法.............................................................88
7.3.1基于参数密度估计的聚类算法............................................88
7.3.2基于无参数密度估计的聚类算法.........................................97 延伸阅读..........................................................................................106 习题................................................................................................107 参考文献..........................................................................................108
第8章分类理论...................................................................................111
8.1分类及相关定义........................................................................111
8.2从归类理论到经典分类理论.......................................................112
8.2.1PAC理论.......................................................................113
8.2.2统计机器学习理论...........................................................115
8.3分类测试公理...........................................................................118 讨论................................................................................................119 习题................................................................................................119 参考文献..........................................................................................120
第9章基于单类的分类算法:神经网络..................................................121
9.1分类问题的回归表示.................................................................121
9.2人工神经网络...........................................................................122
9.2.1人工神经网络相关介绍....................................................122
9.2.2前馈神经网络.................................................................124
9.3从参数密度估计到受限玻耳兹曼机.............................................129
9.4深度学习..................................................................................131
9.4.1自编码器........................................................................132
9.4.2卷积神经网络.................................................................132 讨论................................................................................................133 习题................................................................................................134 参考文献..........................................................................................134
第10章K近邻分类模型......................................................................137
10.1K近邻算法.............................................................................138
10.1.1K近邻算法问题表示....................................................138
10.1.2K近邻分类算法..........................................................139
10.1.3K近邻分类算法的理论错误率......................................140
10.2距离加权最近邻算法................................................................141
10.3K近邻算法加速策略...............................................................142
10.4kd树......................................................................................143
10.5K近邻算法中的参数问题.........................................................144 延伸阅读..........................................................................................145 习题................................................................................................145 参考文献..........................................................................................145
第11章线性分类模型..........................................................................147
11.1判别函数和判别模型................................................................147
11.2线性判别函数..........................................................................148
11.3线性感知机算法......................................................................151
11.3.1感知机数据表示...........................................................151
11.3.2感知机算法的归类判据.................................................152
11.3.3感知机分类算法...........................................................153
11.4支持向量机.............................................................................156
11.4.1线性可分支持向量机....................................................156
11.4.2近似线性可分支持向量机.............................................159
11.4.3多类分类问题..............................................................162 讨论................................................................................................164 习题................................................................................................165 参考文献..........................................................................................166
第12章对数线性分类模型...................................................................167
12.1Softmax回归..........................................................................167
12.2Logistic回归...........................................................................170 讨论................................................................................................172 习题................................................................................................173 参考文献..........................................................................................173
第13章贝叶斯决策.............................................................................175
13.1贝叶斯分类器..........................................................................175
13.2朴素贝叶斯分类......................................................................176
13.2.1最大似然估计..............................................................178
13.2.2贝叶斯估计.................................................................181
13.3最小化风险分类......................................................................183
13.4效用最大化分类......................................................................185 讨论................................................................................................185 习题................................................................................................186 参考文献..........................................................................................186
第14章决策树....................................................................................187
14.1决策树的类表示......................................................................187
14.2信息增益与ID3算法...............................................................192
14.3增益比率与C4.5算法..............................................................194
14.4Gini指数与CART算法...........................................................195
14.5决策树的剪枝..........................................................................196 讨论................................................................................................197 习题................................................................................................197 参考文献..........................................................................................198
第15章多类数据降维..........................................................................199
15.1有监督特征选择模型................................................................199
15.1.1过滤式特征选择...........................................................200
15.1.2包裹式特征选择...........................................................201
15.1.3嵌入式特征选择...........................................................201
15.2有监督特征提取模型................................................................202
15.2.1线性判别分析..............................................................202
15.2.2二分类线性判别分析问题.............................................202
15.2.3二分类线性判别分析....................................................203
15.2.4二分类线性判别分析优化算法.......................................205
15.2.5多分类线性判别分析....................................................205 延伸阅读..........................................................................................207 习题................................................................................................207 参考文献..........................................................................................207
第16章多类数据升维:核方法.............................................................209
16.1核方法....................................................................................209
16.2非线性支持向量机...................................................................210
16.2.1特征空间.....................................................................210
16.2.2核函数........................................................................210
16.2.3常用核函数.................................................................212
16.2.4非线性支持向量机.......................................................212
16.3多核方法................................................................................213 讨论................................................................................................215 习题................................................................................................215 参考文献..........................................................................................216
第17章多源数据学习..........................................................................217
17.1多源数据学习的分类................................................................217
17.2单类多源数据学习...................................................................217
17.2.1完整视角下的单类多源数据学习...................................218
17.2.2不完整视角下的单类多源数据学习................................220
17.3多类多源数据学习...................................................................221
17.4多源数据学习中的基本假设......................................................222 讨论................................................................................................222 习题................................................................................................223 参考文献..........................................................................................223
后记........................................................................................................225
索引........................................................................................................229

下载价格:免费
立即下载
登入/注册
知识就是力量
没有账号? 忘记密码?