机器学习：从公理到算法（中国计算机学会学术著作丛书）

　　第1章引言1 11机器学习的目的：从数据到知识1 12机器学习的基本框架2 121数据集合与对象特性表示3 122学习判据4 123学习算法5 13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 21类表示公理13 22归类公理17 23归类结果分类20 24归类方法设计准则22 241类一致性准则23 242类紧致性准则23 243类分离性准则25 244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 31密度估计的参数方法33 311最大似然估计33 312贝叶斯估计35 32密度估计的非参数方法39 321直方图39 322核密度估计39 323K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 41线性回归43 42岭回归47 43Lasso回归48 讨论51 习题52 参考文献52 第5章单类数据降维53 51主成分分析54 52非负矩阵分解56 53字…
　查看完整　　

　　  于剑，北京交通大学计算机学院教授，博士生导师，交通数据分析与挖掘北京市重点实验室主任，先后获得北京大学数学专业本科、硕士、博士，中国人工智能学会机器学习专委会副主任，中国计算机学会人工智能与模式识别专委会秘书长，承担多项国家自然科学基金项目，发表多篇学术论文，包括TPAMI、CVPR 等。

　　《机器学习：从公理到算法（中国计算机学会学术著作丛书）》是一本基于公理研究学习算法的书。共17章，由两部分组成。第一部分是机器学习公理以及部分理论演绎，包括第1、2、6、8章，论述学习公理以及相应的聚类、分类理论。第二部分关注如何从公理推出经典学习算法，包括单类、多类和多源问题。第3～5章为单类问题，分别论述密度估计、回归和单类数据降维。第7、9～16章为多类问题，包括聚类、神经网络、K近邻、支持向量机、Logistic回归、贝叶斯分类、决策树、多类降维与升维等经典算法。最后第17章研究了多源数据学习问题。  　　《机器学习：从公理到算法（中国计算机学会学术著作丛书）》可以作为高等院校计算机、自动化、数学、统计学、人工智能及相关专业的研究生教材，也可以供机器学习的爱好者参考。  

　　第1章引言1 11机器学习的目的：从数据到知识1 12机器学习的基本框架2 121数据集合与对象特性表示3 122学习判据4 123学习算法5 13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 21类表示公理13 22归类公理17 23归类结果分类20 24归类方法设计准则22 241类一致性准则23 242类紧致性准则23 243类分离性准则25 244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 31密度估计的参数方法33 311最大似然估计33 312贝叶斯估计35 32密度估计的非参数方法39 321直方图39 322核密度估计39 323K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 41线性回归43 42岭回归47 43Lasso回归48 讨论51 习题52 参考文献52 第5章单类数据降维53 51主成分分析54 52非负矩阵分解56 53字典学习与稀疏表示57 54局部线性嵌入59 55典型关联分析62 56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 61聚类问题表示及相关定义69 62聚类算法设计准则70 621类紧致性准则和聚类不等式70 622类分离性准则和重合类非稳定假设72 623类一致性准则和迭代型聚类算法73 63聚类有效性73 631外部方法73 632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 71样例理论：层次聚类算法81 72原型理论：点原型聚类算法83 721C均值算法84 722模糊C均值86 73基于密度估计的聚类算法88 731基于参数密度估计的聚类算法88 732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 81分类及相关定义111 82从归类理论到经典分类理论112 821PAC理论113 822统计机器学习理论115 83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 91分类问题的回归表示121 92人工神经网络122 921人工神经网络相关介绍122 922前馈神经网络124 93从参数密度估计到受限玻耳兹曼机129 94深度学习131 941自编码器132 942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 101K近邻算法138 1011K近邻算法问题表示138 1012K近邻分类算法139 1013K近邻分类算法的理论错误率140 102距离加权最近邻算法141 103K近邻算法加速策略142 104kd树143 105K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147 111判别函数和判别模型147 112线性判别函数148 113线性感知机算法151 1131感知机数据表示151 1132感知机算法的归类判据152 1133感知机分类算法153 114支持向量机156 1141线性可分支持向量机156 1142近似线性可分支持向量机159 1143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 121Softmax回归167 122Logistic回归170 讨论172 习题173 参考文献173 第13章贝叶斯决策175 131贝叶斯分类器175 132朴素贝叶斯分类176 1321最大似然估计178 1322贝叶斯估计181 133最小化风险分类183 134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187 141决策树的类表示187 142信息增益与ID3算法192 143增益比率与C45算法194 144Gini指数与CART算法195 145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199 151有监督特征选择模型199 1511过滤式特征选择200 1512包裹式特征选择201 1513嵌入式特征选择201 152有监督特征提取模型202 1521线性判别分析202 1522二分类线性判别分析问题202 1523二分类线性判别分析203 1524二分类线性判别分析优化算法205 1525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209 161核方法209 162非线性支持向量机210 1621特征空间210 1622核函数210 1623常用核函数212 1624非线性支持向量机212 163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217 171多源数据学习的分类217 172单类多源数据学习217 1721完整视角下的单类多源数据学习218 1722不完整视角下的单类多源数据学习220 173多类多源数据学习221 174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
^ 收 起　　

　　  于剑，北京交通大学计算机学院教授，博士生导师，交通数据分析与挖掘北京市重点实验室主任，先后获得北京大学数学专业本科、硕士、博士，中国人工智能学会机器学习专委会副主任，中国计算机学会人工智能与模式识别专委会秘书长，承担多项国家自然科学基金项目，发表多篇学术论文，包括TPAMI、CVPR 等。

　　《机器学习：从公理到算法（中国计算机学会学术著作丛书）》是一本基于公理研究学习算法的书。共17章，由两部分组成。第一部分是机器学习公理以及部分理论演绎，包括第1、2、6、8章，论述学习公理以及相应的聚类、分类理论。第二部分关注如何从公理推出经典学习算法，包括单类、多类和多源问题。第3～5章为单类问题，分别论述密度估计、回归和单类数据降维。第7、9～16章为多类问题，包括聚类、神经网络、K近邻、支持向量机、Logistic回归、贝叶斯分类、决策树、多类降维与升维等经典算法。最后第17章研究了多源数据学习问题。  　　《机器学习：从公理到算法（中国计算机学会学术著作丛书）》可以作为高等院校计算机、自动化、数学、统计学、人工智能及相关专业的研究生教材，也可以供机器学习的爱好者参考。