机器学习与应用 Ji qi xue xi yu ying yong

机器学习是当前解决很多人工智能问题的核心技术,深度学习的出现带来了自2012年以来的人工智能复兴。本书是机器学习和深度学习领域的入门与提高教材,系统、深入地讲述机器学习与深度学习的主流方法与理论,并紧密结合工程实践与应用。全书由21章组成,共分为三大部分。第1~3章为第一部分,介绍机器学习的基本原理、所需的数学知识(包括微积分、线性代数、概率论和最优化方法),以及机器学习中的核心概念。第4~20章为第二部分,是本书的主体,介绍各种常用的有监督学习算法、无监督学习算法、半监督学习算法和强化学习算法。对于每种算法,从原理与推导、工程实现和实际应用3个方面进行介绍,对于大多数算法,都配有实验程序。第21章为第三部分,介绍机器学习和深度学习算法实际应用时面临的问题,并给出典型的解决方案。此外,附录A给出各种机器学习算法的总结,附录B给出梯度下降法的演化关系,附录C给出EM算法的推导。 本书理论推导与证明详细、深入,结构清晰,详细地讲述主要算法的工程实现细节,配以著名开源库的源代码分析(包括libsvm、liblinear、OpenCV、Caffe等开源库),让读者不仅知其然,还知其所以然,真正理解算法、学会使用算法。对于计算机、人工智能及相关专业的本科生和研究生,这是一本适合入门与系统学习的教材,对于从事人工智能和机器学习产品研发的工程技术人员,本书也具有很强的参考价值。 封面 1 扉页 2 内容简介 3 版权页 3 序 4 前言 6 目录 8 第一部分 基本概念与数学知识 21 第1章 机器学习简介 23 第2章 数学知识 37 第3章 基本概念 64 第二部分 主要的机器学习算法与理论 75 第4章 贝叶斯分类器 77 第5章 决策树 92 第6章 k近邻算法 124 第7章 数据降维 131 第8章 线性判别分析 145 第9章 人工神经网络 158 第10章 支持向量机 202 第11章 线性模型 245 第12章 随机森林 286 第13章 Boosting算法 304 第14章 深度学习概论 344 第15章 卷积神经网络 367 第16章 循环神经网络 470 第17章 生成对抗网络 514 第18章 聚类算法 526 第19章 半监督学习 541 第20章 强化学习 547 第三部分 工程实践问题 569 第21章 工程实践问题概述 571 正文结束 584 附录A 各种机器学习算法的总结 585 附录B 梯度下降法的演化关系(见第15章) 589 附录C EM算法的推导(见第18章) 590