本書(shū)用豐富的圖示，從最小二乘法出發(fā)，對(duì)基于最小二乘法實(shí)現(xiàn)的各種機(jī)器學(xué)習(xí)算法進(jìn)行了詳細(xì)的介紹。第Ⅰ部分介紹了機(jī)器學(xué)習(xí)領(lǐng)域的概況；第Ⅱ部分和第Ⅲ部分分別介紹了各種有監(jiān)督的回歸算法和分類(lèi)算法；第Ⅳ部分介紹了各種無(wú)監(jiān)督學(xué)習(xí)算法；第Ⅴ部分介紹了機(jī)器學(xué)習(xí)領(lǐng)域中的新興算法。書(shū)中大部分算法都有相應(yīng)的MATLAB程序源代碼，可以用來(lái)進(jìn)行簡(jiǎn)單的測(cè)試。
本書(shū)適合所有對(duì)機(jī)器學(xué)習(xí)有興趣的初學(xué)者閱讀。
187張圖解輕松入門(mén)
提供可執(zhí)行的Matlab程序代碼
覆蓋機(jī)器學(xué)習(xí)中最經(jīng)典、用途最廣的算法
專(zhuān)業(yè)實(shí)用
東京大學(xué)教授、機(jī)器學(xué)習(xí)權(quán)威專(zhuān)家執(zhí)筆，濃縮機(jī)器學(xué)習(xí)的關(guān)鍵知識(shí)點(diǎn)
圖文并茂
187張圖示幫助理解，詳略得當(dāng)，為讀懂大部頭開(kāi)路。
角度新穎
基于最小二乘法講解各種有監(jiān)督學(xué)習(xí)的回歸和分類(lèi)算法，以及無(wú)監(jiān)督學(xué)習(xí)算法。
實(shí)戰(zhàn)導(dǎo)向
配有可執(zhí)行的MATLAB程序代碼，邊學(xué)習(xí)邊實(shí)踐。
作者簡(jiǎn)介
杉山將
1974年生于大阪。東京工業(yè)大學(xué)計(jì)算機(jī)工程學(xué)博士畢業(yè)，現(xiàn)為東京大學(xué)教授、日本國(guó)立信息學(xué)研究所客座教授。主要從事機(jī)器學(xué)習(xí)的理論研究和算法開(kāi)發(fā)，以及在信號(hào)和圖像處理等方面的應(yīng)用。2011年獲日本信息處理學(xué)會(huì)長(zhǎng)尾真紀(jì)念特別獎(jiǎng)。著有《統(tǒng)計(jì)機(jī)器學(xué)習(xí)》、Density Ratio Estimation in Machine Learning等。同時(shí)也是Pattern Recognition and Machine Learning日文版的譯者之一。
許永偉
2009年赴東京大學(xué)攻讀博士學(xué)位，現(xiàn)于東京大學(xué)空間信息科學(xué)研究所從事博士后研究（特任研究員）。主要研究方向?yàn)槟Ｊ阶R(shí)別與機(jī)器學(xué)習(xí)、圖像處理與計(jì)算機(jī)視覺(jué)，對(duì)數(shù)據(jù)挖掘、大數(shù)據(jù)和信息架構(gòu)有濃厚興趣。
目錄：
第I部分 緒 論
第1章 什么是機(jī)器學(xué)習(xí) 2
1.1 學(xué)習(xí)的種類(lèi) 2
1.2 機(jī)器學(xué)習(xí)任務(wù)的例子 4
1.3 機(jī)器學(xué)習(xí)的方法 8
第2章 學(xué)習(xí)模型 12
2.1 線性模型 12
2.2 核模型 15
2.3 層級(jí)模型 17
第II部分 有監(jiān)督回歸
第3章 最小二乘學(xué)習(xí)法 22
3.1 最小二乘學(xué)習(xí)法 22
3.2 最小二乘解的性質(zhì) 25
3.3 大規(guī)模數(shù)據(jù)的學(xué)習(xí)算法 27
第4章帶有約束條件的最小二乘法 31
4.1 部分空間約束的最小二乘學(xué)習(xí)法 31
4.2 ｌ2 約束的最小二乘學(xué)習(xí)法 33
4.3 模型選擇 37
第5章 稀疏學(xué)習(xí) 43
5.1 ｌ1 約束的最小二乘學(xué)習(xí)法 43
5.2 ｌ1 約束的最小二乘學(xué)習(xí)的求解方法 45
5.3 通過(guò)稀疏學(xué)習(xí)進(jìn)行特征選擇 50
5.4 ｌp約束的最小二乘學(xué)習(xí)法 51
5.5 ｌ1+ｌ2 約束的最小二乘學(xué)習(xí)法 52
第6章 魯棒學(xué)習(xí) 55
6.1 ｌ1 損失最小化學(xué)習(xí) 56
6.2 Huber損失最小化學(xué)習(xí) 58
6.3 圖基損失最小化學(xué)習(xí) 63
6.4 ｌ1 約束的Huber損失最小化學(xué)習(xí) 65
第III部分 有監(jiān)督分類(lèi)
第7章 基于最小二乘法的分類(lèi) 70
7.1 最小二乘分類(lèi) 70
7.2 0/1 損失和間隔 73
7.3 多類(lèi)別的情形 76
第8章 支持向量機(jī)分類(lèi) 80
8.1 間隔最大化分類(lèi) 80
8.2 支持向量機(jī)分類(lèi)器的求解方法 83
8.3 稀疏性 86
8.4 使用核映射的非線性模型 88
8.5 使用Hinge損失最小化學(xué)習(xí)來(lái)解釋 90
8.6 使用Ramp損失的魯棒學(xué)習(xí) 93
第9章 集成分類(lèi) 98
9.1 剪枝分類(lèi) 98
9.2 Bagging學(xué)習(xí)法 101
9.3 Boosting 學(xué)習(xí)法 105
第10章 概率分類(lèi)法 112
10.1 Logistic回歸 112
10.2 最小二乘概率分類(lèi) 116
第11 章序列數(shù)據(jù)的分類(lèi) 121
11.1 序列數(shù)據(jù)的模型化 122
11.2 條件隨機(jī)場(chǎng)模型的學(xué)習(xí) 125
11.3 利用條件隨機(jī)場(chǎng)模型對(duì)標(biāo)簽序列進(jìn)行預(yù)測(cè) 128
第IV部分 無(wú)監(jiān)督學(xué)習(xí)
第12章 異常檢測(cè) 132
12.1 局部異常因子 132
12.2 支持向量機(jī)異常檢測(cè) 135
12.3 基于密度比的異常檢測(cè) 137
第13章 無(wú)監(jiān)督降維 143
13.1 線性降維的原理 144
13.2 主成分分析 146
13.3 局部保持投影 148
13.4 核函數(shù)主成分分析 152
13.5 拉普拉斯特征映射 155
第14章 聚類(lèi) 158
14.1 K均值聚類(lèi) 158
14.2 核K均值聚類(lèi) 160
14.3 譜聚類(lèi) 161
14.4 調(diào)整參數(shù)的自動(dòng)選取 163
第V部分 新興機(jī)器學(xué)習(xí)算法
第15章 在線學(xué)習(xí) 170
15.1 被動(dòng)攻擊學(xué)習(xí) 170
15.2 適應(yīng)正則化學(xué)習(xí) 176
第16章 半監(jiān)督學(xué)習(xí) 181
16.1 靈活應(yīng)用輸入數(shù)據(jù)的流形構(gòu)造 182
16.2 拉普拉斯正則化最小二乘學(xué)習(xí)的求解方法 183
16.3 拉普拉斯正則化的解釋 186
第17章 監(jiān)督降維 188
17.1 與分類(lèi)問(wèn)題相對(duì)應(yīng)的判別分析 188
17.2 充分降維 195
第18章 遷移學(xué)習(xí) 197
18.1 協(xié)變量移位下的遷移學(xué)習(xí) 197
18.2 類(lèi)別平衡變化下的遷移學(xué)習(xí) 204
第19章 多任務(wù)學(xué)習(xí) 212
19.1 使用最小二乘回歸的多任務(wù)學(xué)習(xí) 212
19.2 使用最小二乘概率分類(lèi)器的多任務(wù)學(xué)習(xí) 215
19.3 多次維輸出函數(shù)的學(xué)習(xí) 216
第VI部分 結(jié) 語(yǔ)
第20章 總結(jié)與展望 222
參考文獻(xiàn) 225
|
