理論到實作都一清二楚 - 機器學習原理深究-FindBook 找書網 ISBN:9786267146880

圖書名稱：理論到實作都一清二楚 - 機器學習原理深究

◇◆◇ 29 個主題一次涵蓋現代所有機器學習的數學、統計原理！◇◆◇

人們透過機器學習，試著讓電腦能夠從大量資料中學習成長，不僅可以運用在生活各方面的功能提升，甚至還能透過這些既有的資料，起到鑑往知來的效果，處在當今資訊爆炸的時代，正是你開始學機器學習的最好時機！

本書收錄了關於機器學習最重要的統計應用及數學原理，全書分成了監督學習和無監督學習，以及深度學習三大區塊。

在監督學習部分，介紹了最基本的三大問題——分類、回歸、標注，並針對這三大問題，介紹各種解決方法。包括了感知機、K近鄰法、單純貝氏法、決策樹、邏輯回歸、最大熵模型、擬牛頓法、支援向量機(SVM)、各種提升法(Boost)、EM演算法、隱馬可夫模型、條件隨機場等等，在監督學習也特別獨立出一章來複習整合這些演算法。

而在無監督學習上，則介紹了當代最重要的幾個演算法及模型，包括了聚類方法(如K均值)、奇異值分解(SVD)、主成分分析(PCA)、潛在語義分析(包括了最流行的向量空間)、機率潛在語義分析等。在較進階的應用上，也介紹了馬可夫鏈蒙地卡羅法、吉布斯抽樣、潛在狄利克雷分配模型，另外奠定Google基本的PageRank演算法也有詳細的說明。

在深度學習的部分，也有前饋神經網路、卷積神經網路、循環神經網路、序列到序列模型、預訓練語言模型、生成對抗網路等，以及最後的深度學習方法總結，是想要完備機器學習知識的讀者，不容錯過的集大成之作！

【適合讀者】
● 機器學習相關學習者。
● 從事資訊檢索、自然語言處理等領域的學生與研究人員。
● 從事機器學習的專業研究人員。

作者簡介：

李航
ACL Fellow、IEEE Fellow 、ACM傑出科學家，北京大學、南京大學兼職教授，研究領域包括資訊檢索、自然語言處理、統計機器學習和資料探勘等。
畢業於日本京都大學電氣電子工程系，日本東京大學電腦科學博士學位。
曾任日本NEC公司中央研究所研究員，微軟亞洲研究院高級研究員與主任研究員，華為諾亞方舟實驗室主任、首席科學家，字節跳動研究部門負責人。

作者序

2012年《統計學習方法(第1版)》出版，內容涵蓋監督學習的主要方法，2019年第2版出版，增加了無監督學習的主要方法，都屬於傳統機器學習。在這段時間裡，機器學習領域發生了巨大變化，深度學習在人工智慧各個應用方向獲得了巨大突破，成為機器學習的主流技術，徹底改變了機器學習的面貌。有些讀者希望能看到與之前風格相同的講解深度學習的書籍，這也觸發了作者在原來《統計學習方法》的基礎上增加深度學習內容的想法（計畫今後再增加強化學習）。從2018年開始，歷時3年左右，完成了深度學習的寫作。

考慮到內容的變化，現將書名更改為《機器學習原理深究》。第1篇監督學習和第2篇無監督學習基本為原來的內容，增加第3篇深度學習，希望對讀者有所裨益。傳統機器學習是深度學習的基礎，所以將這些內容放在一本書裡說明也有其合理之處。雖然深度學習目前是大家關注的重點，但傳統機器學習仍然有其不容忽視的地位。事實上，傳統機器學習和深度學習各自有更適合的應用場景，比如，深度學習長於巨量資料、複雜問題的預測，特別是人工智慧的應用；傳統機器學習善於小資料、相對簡單問題的預測。

本書的定位是講解機器學習的基本內容，並不完全是入門書。介紹的內容都是最基本的，在這種意義上適合初學者。但主旨是把最重要的原理和方法做系統的複習，方便大家經常閱讀和複習。在寫第3篇的時候也接受大家對第1篇和第2篇的回饋意見，在力求文字簡練清晰的同時，也確保敘述的詳盡明了，以方便讀者理解。在各章方法的匯入部分適當增加了背景和動機的介紹。

第3篇中使用的數學符號與第1篇和第2篇有一定的對應關係，但由於深度學習的特點也有一些改變，也都能自成系統。將符號完全統一於一個框架內還需要做大量的工作，希望在增加第4篇強化學習之後再做處理。對第3篇的原稿，鄭詩源、張新松等幫助做了校閱，對一些章節的內容提出了寶貴的意見。責任編輯王倩也為本書的出版做了大量工作。在此對他們表示衷心的感謝。

李航

顯示全部內容

◎ 第1篇監督學習
1 機器學習及監督學習概論
1.1 機器學習
1.2 機器學習的分類
1.3 機器學習方法三要素
1.4 模型評估與模型選擇
1.5 正規化與交叉驗證
1.6 泛化能力
1.7 生成模型與判別模型
1.8 監督學習應用

2. 感知機
2.1 感知機模型
2.2 感知機學習策略
2.3 感知機學習演算法

3. k 近鄰法
3.1 k 近鄰演算法
3.2 k 近鄰模型
3.3 k 近鄰法的實現：kd 樹

4. 單純貝氏法
4.1 單純貝氏法的學習與分類
4.2 單純貝氏法的參數估計

5. 決策樹
5.1 決策樹模型與學習
5.2 特徵選擇
5.3 決策樹的生成
5.4 決策樹...

顯示全部內容