动手学机器学习
第 一部分 机器学习基础
第 1 章 初探机器学习 2
1 1 人工智能的“两只手和四条腿” 2
1 2 机器学习是什么 2
1 3 时代造就机器学习的盛行 4
1 4 泛化能力：机器学习奏效的本质 5
1 5 归纳偏置：机器学习模型的“天赋” 6
1 6 机器学习的限制 7
1 7 小结 7
第 2 章 机器学习的数学基础 8
查看完整
第 1 章 初探机器学习 2
1 1 人工智能的“两只手和四条腿” 2
1 2 机器学习是什么 2
1 3 时代造就机器学习的盛行 4
1 4 泛化能力：机器学习奏效的本质 5
1 5 归纳偏置：机器学习模型的“天赋” 6
1 6 机器学习的限制 7
1 7 小结 7
第 2 章 机器学习的数学基础 8
查看完整
张伟楠，上海交通大学副教授，博士生导师，ACM班机器学习、强化学习课程授课教师。主要研究强化学习、数据挖掘、知识图谱、深度学习以及这些技术在推荐系统、游戏智能、机器人控制等场景中的应用，累计发表国际期刊和会议论文180余篇。赵寒烨，上海交通大学 APEX数据与知识管理实验室博士生，师从张伟楠副教授，研究方向为强化学习、机器学习。以一作身份在人工智能国际会议 NeurIPS上发表论文，并参与多本机器学习相关教材的编写。俞勇，上海交通大学ACM班创办人，上海交通大学特聘教授。2018年创办伯禹人工智能学院，在上海交通大学ACM班人工智能专业课程体系的基础上，对人工智能课程体系进行创新，致力于培养人工智能算法工程师和研究员。
本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。
本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。
本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。
本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
第 一部分 机器学习基础
第 1 章 初探机器学习 2
1 1 人工智能的“两只手和四条腿” 2
1 2 机器学习是什么 2
1 3 时代造就机器学习的盛行 4
1 4 泛化能力：机器学习奏效的本质 5
1 5 归纳偏置：机器学习模型的“天赋” 6
1 6 机器学习的限制 7
1 7 小结 7
第 2 章 机器学习的数学基础 8
2 1 向量 8
2 2 矩阵 10
2 2 1 矩阵的基本概念 10
2 2 2 矩阵运算 11
2 2 3 矩阵与线性方程组 12
2 2 4 矩阵范数 13
2 3 梯度 14
2 4 凸函数 17
2 5 小结 19
第 3 章 k近邻算法 20
3 1 KNN算法的原理 20
3 2 用KNN算法完成分类任务 21
3 3 使用scikit-learn实现KNN算法 24
3 4 用KNN算法完成回归任务--色彩风格迁移 25
3 4 1 RGB空间与LAB空间 27
3 4 2 算法设计 27
3 5 小结 30
第 4 章 线性回归 33
4 1 线性回归的映射形式和学习目标 33
4 2 线性回归的解析方法 35
4 3 动手实现线性回归的解析方法 35
4 4 使用sklearn中的线性回归模型 37
4 5 梯度下降算法 38
4 6 学习率对迭代的影响 42
4 7 小结 44
第 5 章 机器学习的基本思想 46
5 1 欠拟合与过拟合 46
5 2 正则化约束 49
5 3 输入特征与相似度 52
5 4 参数与超参数 55
5 5 数据集划分与交叉验证 56
5 6 小结 57
5 7 扩展阅读：贯穿恒等式的证明 58
5 8 参考文献 58
第二部分 参数化模型
第 6 章 逻辑斯谛回归 60
6 1 逻辑斯谛函数下的线性模型 61
6 2 最大似然估计 62
6 3 分类问题的评价指标 64
6 4 动手实现逻辑斯谛回归 69
6 5 使用sklearn中的逻辑斯谛回归模型 73
6 6 交叉熵与最大似然估计 74
6 7 小结 76
6 8 扩展阅读：广义线性模型 78
6 9 参考文献 79
第 7 章 双线性模型 80
7 1 矩阵分解 81
7 2 动手实现矩阵分解模型 83
7 3 因子分解机 86
7 4 动手实现因子分解机模型 89
7 5 小结 92
7 6 扩展阅读：概率矩阵分解 93
7 7 参考文献 95
第 8 章 神经网络与多层感知机 96
8 1 人工神经网络 96
8 2 感知机 97
8 3 隐含层与多层感知机 99
8 4 反向传播 102
8 5 动手实现多层感知机 104
8 6 用PyTorch库实现多层感知机 110
8 7 小结 113
8 8 参考文献 114
第 9 章 卷积神经网络 115
9 1 卷积 115
9 2 神经网络中的卷积 117
9 3 用卷积神经网络完成图像分类任务 119
9 4 用预训练的卷积神经网络完成色彩风格迁移 126
9 4 1 VGG网络 126
9 4 2 内容表示与风格表示 127
9 5 小结 134
9 6 扩展阅读：数据增强 134
9 7 参考文献 136
第 10 章 循环神经网络 137
10 1 循环神经网络的基本原理 137
10 2 门控循环单元 139
10 3 动手实现GRU 141
10 4 小结 146
10 5 参考文献 147
第三部分 非参数化模型
第 11 章 支持向量机 150
11 1 支持向量机的数学描述 150
11 2 序列最小优化 153
11 3 动手实现SMO求解SVM 156
11 4 核函数 158
11 5 sklearn中的SVM工具 162
11 6 小结 163
11 7 扩展阅读：SVM对偶问题的推导 164
第 12 章 决策树 167
12 1 决策树的构造 168
12 2 ID3算法与C4 5算法 171
12 3 CART算法 172
12 4 动手实现C4 5算法的决策树 175
12 4 1 数据集处理 175
12 4 2 C4 5算法的实现 178
12 5 sklearn中的决策树 182
12 6 小结 183
12 7 参考文献 184
第 13 章 集成学习与梯度提升决策树 185
13 1 自举聚合与随机森林 186
13 2 集成学习器 191
13 3 提升算法 194
13 3 1 适应提升 195
13 3 2 梯度提升 200
13 4 小结 205
13 5 参考文献 206
第四部分 无监督模型
第 14 章 k均值聚类 208
14 1 k均值聚类算法的原理 208
14 2 动手实现k均值算法 209
14 3 k-means 算法 212
14 4 小结 214
14 5 参考文献 215
第 15 章主成分分析 216
15 1 主成分与方差 216
15 2 利用特征分解进行PCA 218
15 3 动手实现PCA算法 221
15 4 用sklearn实现PCA算法 222
15 5 小结 223
第 16 章 概率图模型 225
16 1 贝叶斯网络 226
16 2 最大后验估计 228
16 3 用朴素贝叶斯模型完成文本分类 231
16 4 马尔可夫网络 234
16 5 用马尔可夫网络完成图像去噪 236
16 6 小结 240
16 7 参考文献 241
第 17 章 EM算法 242
17 1 高斯混合模型的EM算法 243
17 2 动手求解GMM来拟合数据分布 245
17 3 一般情况下的EM算法 251
17 4 EM算法的收敛性 253
17 5 小结 254
第 18 章 自编码器 255
18 1 自编码器的结构 256
18 2 动手实现自编码器 257
18 3 小结 262
18 4 参考文献 262
总结与展望 264
总结 264
展望 264
中英文术语对照表 267
^ 收 起
第 1 章 初探机器学习 2
1 1 人工智能的“两只手和四条腿” 2
1 2 机器学习是什么 2
1 3 时代造就机器学习的盛行 4
1 4 泛化能力：机器学习奏效的本质 5
1 5 归纳偏置：机器学习模型的“天赋” 6
1 6 机器学习的限制 7
1 7 小结 7
第 2 章 机器学习的数学基础 8
2 1 向量 8
2 2 矩阵 10
2 2 1 矩阵的基本概念 10
2 2 2 矩阵运算 11
2 2 3 矩阵与线性方程组 12
2 2 4 矩阵范数 13
2 3 梯度 14
2 4 凸函数 17
2 5 小结 19
第 3 章 k近邻算法 20
3 1 KNN算法的原理 20
3 2 用KNN算法完成分类任务 21
3 3 使用scikit-learn实现KNN算法 24
3 4 用KNN算法完成回归任务--色彩风格迁移 25
3 4 1 RGB空间与LAB空间 27
3 4 2 算法设计 27
3 5 小结 30
第 4 章 线性回归 33
4 1 线性回归的映射形式和学习目标 33
4 2 线性回归的解析方法 35
4 3 动手实现线性回归的解析方法 35
4 4 使用sklearn中的线性回归模型 37
4 5 梯度下降算法 38
4 6 学习率对迭代的影响 42
4 7 小结 44
第 5 章 机器学习的基本思想 46
5 1 欠拟合与过拟合 46
5 2 正则化约束 49
5 3 输入特征与相似度 52
5 4 参数与超参数 55
5 5 数据集划分与交叉验证 56
5 6 小结 57
5 7 扩展阅读：贯穿恒等式的证明 58
5 8 参考文献 58
第二部分 参数化模型
第 6 章 逻辑斯谛回归 60
6 1 逻辑斯谛函数下的线性模型 61
6 2 最大似然估计 62
6 3 分类问题的评价指标 64
6 4 动手实现逻辑斯谛回归 69
6 5 使用sklearn中的逻辑斯谛回归模型 73
6 6 交叉熵与最大似然估计 74
6 7 小结 76
6 8 扩展阅读：广义线性模型 78
6 9 参考文献 79
第 7 章 双线性模型 80
7 1 矩阵分解 81
7 2 动手实现矩阵分解模型 83
7 3 因子分解机 86
7 4 动手实现因子分解机模型 89
7 5 小结 92
7 6 扩展阅读：概率矩阵分解 93
7 7 参考文献 95
第 8 章 神经网络与多层感知机 96
8 1 人工神经网络 96
8 2 感知机 97
8 3 隐含层与多层感知机 99
8 4 反向传播 102
8 5 动手实现多层感知机 104
8 6 用PyTorch库实现多层感知机 110
8 7 小结 113
8 8 参考文献 114
第 9 章 卷积神经网络 115
9 1 卷积 115
9 2 神经网络中的卷积 117
9 3 用卷积神经网络完成图像分类任务 119
9 4 用预训练的卷积神经网络完成色彩风格迁移 126
9 4 1 VGG网络 126
9 4 2 内容表示与风格表示 127
9 5 小结 134
9 6 扩展阅读：数据增强 134
9 7 参考文献 136
第 10 章 循环神经网络 137
10 1 循环神经网络的基本原理 137
10 2 门控循环单元 139
10 3 动手实现GRU 141
10 4 小结 146
10 5 参考文献 147
第三部分 非参数化模型
第 11 章 支持向量机 150
11 1 支持向量机的数学描述 150
11 2 序列最小优化 153
11 3 动手实现SMO求解SVM 156
11 4 核函数 158
11 5 sklearn中的SVM工具 162
11 6 小结 163
11 7 扩展阅读：SVM对偶问题的推导 164
第 12 章 决策树 167
12 1 决策树的构造 168
12 2 ID3算法与C4 5算法 171
12 3 CART算法 172
12 4 动手实现C4 5算法的决策树 175
12 4 1 数据集处理 175
12 4 2 C4 5算法的实现 178
12 5 sklearn中的决策树 182
12 6 小结 183
12 7 参考文献 184
第 13 章 集成学习与梯度提升决策树 185
13 1 自举聚合与随机森林 186
13 2 集成学习器 191
13 3 提升算法 194
13 3 1 适应提升 195
13 3 2 梯度提升 200
13 4 小结 205
13 5 参考文献 206
第四部分 无监督模型
第 14 章 k均值聚类 208
14 1 k均值聚类算法的原理 208
14 2 动手实现k均值算法 209
14 3 k-means 算法 212
14 4 小结 214
14 5 参考文献 215
第 15 章主成分分析 216
15 1 主成分与方差 216
15 2 利用特征分解进行PCA 218
15 3 动手实现PCA算法 221
15 4 用sklearn实现PCA算法 222
15 5 小结 223
第 16 章 概率图模型 225
16 1 贝叶斯网络 226
16 2 最大后验估计 228
16 3 用朴素贝叶斯模型完成文本分类 231
16 4 马尔可夫网络 234
16 5 用马尔可夫网络完成图像去噪 236
16 6 小结 240
16 7 参考文献 241
第 17 章 EM算法 242
17 1 高斯混合模型的EM算法 243
17 2 动手求解GMM来拟合数据分布 245
17 3 一般情况下的EM算法 251
17 4 EM算法的收敛性 253
17 5 小结 254
第 18 章 自编码器 255
18 1 自编码器的结构 256
18 2 动手实现自编码器 257
18 3 小结 262
18 4 参考文献 262
总结与展望 264
总结 264
展望 264
中英文术语对照表 267
^ 收 起
张伟楠，上海交通大学副教授，博士生导师，ACM班机器学习、强化学习课程授课教师。主要研究强化学习、数据挖掘、知识图谱、深度学习以及这些技术在推荐系统、游戏智能、机器人控制等场景中的应用，累计发表国际期刊和会议论文180余篇。赵寒烨，上海交通大学 APEX数据与知识管理实验室博士生，师从张伟楠副教授，研究方向为强化学习、机器学习。以一作身份在人工智能国际会议 NeurIPS上发表论文，并参与多本机器学习相关教材的编写。俞勇，上海交通大学ACM班创办人，上海交通大学特聘教授。2018年创办伯禹人工智能学院，在上海交通大学ACM班人工智能专业课程体系的基础上，对人工智能课程体系进行创新，致力于培养人工智能算法工程师和研究员。
本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。
本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。
本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。
本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
比价列表价格走势
