機(jī)器學(xué)習(xí)：應(yīng)用視角
定 價(jià)：129 元
叢書名：智能科學(xué)與技術(shù)叢書
- 作者：[美] 大衛(wèi)·福賽斯（David Forsyth）
- 出版時(shí)間：2020/12/1
- ISBN：9787111668299
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP181
- 頁碼：0
- 紙張：
- 版次：
- 開本：16開
本教材是一個(gè)機(jī)器學(xué)習(xí)工具箱，適用于計(jì)算機(jī)科學(xué)專業(yè)本科四年級或研究生一年級的學(xué)生。本書為那些想要使用機(jī)器學(xué)習(xí)過程來完成任務(wù)的人提供了許多主題，強(qiáng)調(diào)使用現(xiàn)有的工具和包，而不是自己重新編寫代碼。本書適用于從頭至尾的講授或閱讀，不同的講師或讀者有不同的需求。
譯者序
前言
致謝
關(guān)于作者
第一部分 分類
第1章 學(xué)會(huì)分類2
1.1 分類的主要思想2
1.1.1 誤差率及其他性能指標(biāo)2
1.1.2 更詳細(xì)的評估3
1.1.3 過擬合與交叉驗(yàn)證4
1.2 最近鄰分類5
1.3 樸素貝葉斯7
1.3.1 利用交叉驗(yàn)證進(jìn)行模型選擇9
1.3.2 數(shù)據(jù)缺失11
編程練習(xí)11
第2章 支持向量機(jī)和隨機(jī)森林14
2.1 支持向量機(jī)14
2.1.1 鉸鏈損失15
2.1.2 正則化16
2.1.3 通過隨機(jī)梯度下降來尋找分類器17
2.1.4 λ的搜索19
2.1.5 總結(jié)：用隨機(jī)梯度下降訓(xùn)練20
2.1.6 例子：利用支持向量機(jī)分析成人收入21
2.1.7 利用支持向量機(jī)進(jìn)行多類分類23
2.2 利用隨機(jī)森林進(jìn)行分類23
2.2.1 構(gòu)造決策樹25
2.2.2 用信息增益來選擇劃分27
2.2.3 森林29
2.2.4 構(gòu)造并評估決策森林29
2.2.5 利用決策森林進(jìn)行數(shù)據(jù)分類30
編程練習(xí)31
MNIST練習(xí)33
第3章 學(xué)習(xí)理論初步35
3.1 用留出損失預(yù)測測試損失35
3.1.1 樣本均值和期望36
3.1.2 利用切比雪夫不等式37
3.1.3 一個(gè)泛化界37
3.2 有限分類器族的測試誤差與訓(xùn)練誤差38
3.2.1 霍夫丁不等式39
3.2.2 在有限預(yù)測器族上訓(xùn)練39
3.2.3 所需樣例數(shù)量40
3.3 無限預(yù)測器集合41
3.3.1 預(yù)測器和二值函數(shù)41
3.3.2 對稱化43
3.3.3 限制泛化誤差44
第二部分 高維數(shù)據(jù)
第4章 高維數(shù)據(jù)48
4.1 概述及簡單繪圖48
4.1.1 均值48
4.1.2 桿圖和散點(diǎn)圖矩陣49
4.1.3 協(xié)方差51
4.1.4 協(xié)方差矩陣52
4.2 維數(shù)災(zāi)難53
4.2.1 災(zāi)難：數(shù)據(jù)不是你想象的那樣53
4.2.2 維數(shù)的小困擾55
4.3 用均值和協(xié)方差理解高維數(shù)據(jù)55
4.3.1 仿射變換下的均值和協(xié)方差56
4.3.2 特征向量及矩陣對角化56
4.3.3 通過旋轉(zhuǎn)數(shù)據(jù)堆來對角化協(xié)方差矩陣57
4.4 多元正態(tài)分布58
4.4.1 仿射變換與高斯模型59
4.4.2 繪制二維高斯模型：協(xié)方差橢圓59
4.4.3 描述統(tǒng)計(jì)與期望60
4.4.4 維數(shù)災(zāi)難的更多內(nèi)容61
習(xí)題61
第5章 主成分分析64
5.1 在主成分上表示數(shù)據(jù)64
5.1.1 近似數(shù)據(jù)團(tuán)塊64
5.1.2 例子：變換身高體重堆65
5.1.3 在主成分上表示數(shù)據(jù)67
5.1.4 低維表示中的誤差68
5.1.5 用NIPALS算法提取若干主成分69
5.1.6 主成分和缺失值70
5.1.7 PCA作為平滑方法71
5.2 例子：用主成分表示顏色72
5.3 例子：用主成分表示人臉75
習(xí)題77
編程練習(xí)78
第6章 低秩近似80
6.1 奇異值分解80
6.1.1 SVD和PCA81
6.1.2 SVD和低秩近似82
6.1.3 用SVD進(jìn)行平滑82
6.2 多維縮放83
6.2.1 通過高維的距離選擇低維的點(diǎn)83
6.2.2 使用低秩近似分解因子84
6.2.3 例子：利用多維縮放進(jìn)行映射85
6.3 例子：文本模型和潛在語義分析87
6.3.1 余弦距離88
6.3.2 對單詞計(jì)數(shù)進(jìn)行平滑88
6.3.3 例子：對NIPS文檔進(jìn)行映射89
6.3.4 獲得詞的含義90
6.3.5 例子：對NIPS數(shù)據(jù)集的詞進(jìn)行映射92
6.3.6 TFIDF93
習(xí)題94
編程練習(xí)95
第7章 典型相關(guān)分析97
7.1 典型相關(guān)分析算法97
7.2 例子：在詞和圖片上進(jìn)行CCA99
7.3 例子：在反射率和遮光上進(jìn)行CCA102
編程練習(xí)105
第三部分 聚類
第8章 聚類108
8.1 聚合式聚類和拆分式聚類108
8.2 k均值算法及其變體111
8.2.1 如何選擇k的值114
8.2.2 軟分配115
8.2.3 高效聚類和層級式k均值117
8.2.4 k中心點(diǎn)算法117
8.2.5 例子：葡萄牙的雜貨117
8.2.6 關(guān)于k均值算法的一些見解119
8.3 用向量量化描述重復(fù)性120
8.3.1 向量量化121
8.3.2 例子：基于加速度計(jì)數(shù)據(jù)的行為123
編程練習(xí)126
第9章 使用概率模型進(jìn)行聚類130
9.1 混合模型與聚類130
9.1.1 數(shù)據(jù)團(tuán)塊的有限混合模型130
9.1.2 主題和主題模型132
9.2 EM算法133
9.2.1 例子——高斯混合：E步134
9.2.2 例子——高斯混合：M步136
9.2.3 例子——主題模型：E步136
9.2.4 例子——主題模型：M步137
9.2.5 EM算法的實(shí)踐137
習(xí)題140
編程練習(xí)140
第四部分 回歸
第10章 回歸144
10.1 概述144
10.2 線性回歸和最小二乘法146
10.2.1 線性回歸146
10.2.2 選擇β147
10.2.3 殘差148
10.2.4 R2149
10.2.5 變量變換150
10.2.6 可以相信回歸嗎152
10.3 可視化回歸以發(fā)現(xiàn)問題153
10.3.1 問題數(shù)據(jù)點(diǎn)具有顯著影響153
10.3.2 帽子矩陣和杠桿155
10.3.3 庫克距離156
10.3.4 標(biāo)準(zhǔn)化殘差156
10.4 很多解釋變量158
10.4.1 一個(gè)解釋變量的函數(shù)158
10.4.2 正則化線性回歸159
10.4.3 例子：體重與身體測量值162
附錄 數(shù)據(jù)165
習(xí)題165
編程練習(xí)168
第11章 回歸：選擇和管理模型170
11.1 模型選擇：哪種模型最好170
11.1.1 偏差與方差170
11.1.2 用懲罰機(jī)制選擇模型：AIC和BIC172
11.1.3 使用交叉驗(yàn)證選擇模型173
11.1.4 基于分階段回歸的貪心搜索174
11.1.5 哪些變量是重要的174
11.2 魯棒回歸175
11.2.1 M估計(jì)和迭代加權(quán)最小二乘176
11.2.2 M估計(jì)的尺度178
11.3 廣義線性模型179
11.3.1 邏輯回歸179
11.3.2 多類邏輯回歸180
11.3.3 回歸計(jì)數(shù)數(shù)據(jù)181
11.3.4 離差181
11.4 L1正則化和稀疏模型182
11.4.1 通過L1正則化刪除變量182
11.4.2 寬數(shù)據(jù)集185
11.4.3 在其他模型上使用稀疏懲罰186
編程練習(xí)187
第12章 Boosting190
12.1 貪心法和分階段回歸法190
12.1.1 例子：貪心分階段線性回歸190
12.1.2 回歸樹192
12.1.3 基于樹的貪心分階段回歸193
12.2 Boosting分類器196
12.2.1 損失196
12.2.2 分階段降低損失的一般方法197
12.2.3 例子：Boosting決策樹樁198
12.2.4 決策樹樁的梯度提升199
12.2.5 其他預(yù)測器的梯度提升200
12.2.6 例子：醫(yī)生會(huì)開阿片類藥物嗎201
12.2.7 用lasso修剪提升的預(yù)測器202
12.2.8 梯度提升軟件204
習(xí)題206
編程練習(xí)207
第五部分 圖模型
第13章 隱馬爾可夫模型210
13.1 馬爾可夫鏈210
13.1.1 轉(zhuǎn)移概率矩陣212
13.1.2 穩(wěn)態(tài)分布214
13.1.3 例子：文本的馬爾可夫鏈模型216
13.2 隱馬爾可夫模型與動(dòng)態(tài)規(guī)劃218
13.2.1 隱馬爾可夫模型218
13.2.2 用網(wǎng)格圖圖解推斷過程219
13.2.3 基于動(dòng)態(tài)規(guī)劃的推斷過程222
13.2.4 例子：校正簡單文本錯(cuò)誤222
13.3 隱馬爾可夫模型的學(xué)習(xí)過程224
13.3.1 當(dāng)隱狀態(tài)有明確語義信息時(shí)225
13.3.2 基于EM的隱馬爾可夫模型學(xué)習(xí)過程225
習(xí)題228
編程練習(xí)229
第14章 學(xué)習(xí)序列模型的判別式方法232
14.1 圖模型232
14.1.1 推斷與圖232
14.1.2 圖模型234
14.1.3 在圖模型中的學(xué)習(xí)235
14.2 用于序列的條件隨機(jī)場模型235
14.2.1 MEMM和標(biāo)簽偏置236
14.2.2 條件隨機(jī)場模型237
14.2.3 學(xué)習(xí)CRF時(shí)需要留心238
14.3 CRF的判別學(xué)習(xí)239
14.3.1 模型的表示239
14.3.2 例子：數(shù)字序列建模240
14.3.3 建立學(xué)習(xí)問題241
14.3.4 梯度計(jì)算241
習(xí)題243
編程練習(xí)243
第15章 平均場推斷245
15.1 有用卻難解的模型245
15.1.1 用玻爾茲曼機(jī)為二值圖像去噪246
15.1.2 離散馬爾可夫隨機(jī)場246
15.1.3 基于離散馬爾可夫隨機(jī)場的去噪和分割247
15.1.4 離散馬爾可夫場的MAP推斷可能很難249
15.2 變分推斷250
15.2.1 KL散度250
15.2.2 變分自由能251
15.3 例子：玻爾茲曼機(jī)的變分推斷251
第六部分 深度網(wǎng)絡(luò)
第16章 簡單神經(jīng)網(wǎng)絡(luò)256
16.1 單元和分類256
16.1.1 用單元來構(gòu)建一個(gè)分類器：代價(jià)函數(shù)256
16.1.2 用單元來構(gòu)建一個(gè)分類器：決策 258
16.1.3 用單元來構(gòu)建一個(gè)分類器：訓(xùn)練258
16.2 例子：信用卡賬戶分類260
16.3 層和網(wǎng)絡(luò)264
16.3.1 堆疊層264
16.3.2 雅可比矩陣和梯度265
16.3.3 構(gòu)建多層266
16.3.4 梯度和反向傳播267
16.4 訓(xùn)練多層網(wǎng)絡(luò)269
16.4.1 軟件環(huán)境270
16.4.2 Dropout和冗余單元271
16.4.3 例子：再論信用卡賬戶271
16.4.4 高級技巧：梯度縮放273
習(xí)題276
編程練習(xí)277
第17章 簡單圖像分類器278
17.1 圖像分類278
17.1.1 基于卷積的模式檢測279
17.1.2 卷積層的堆疊283
17.2 兩個(gè)實(shí)用的圖像分類器284
17.2.1 例子：MNIST數(shù)據(jù)集分類285
17.2.2 例子：CIFAR10數(shù)據(jù)集分類288
17.2.3 異類：對抗樣本292
編程練習(xí)293
第18章 圖像分類與物體檢測294
18.1 圖像分類295
18.1.1 物體圖像分類數(shù)據(jù)集295
18.1.2 場景圖像分類數(shù)據(jù)集296
18.1.3 增廣和集成297
18.1.4 AlexNet298
18.1.5 VGGNet299
18.1.6 批歸一化301
18.1.7 計(jì)算圖302
18.1.8 Inception網(wǎng)絡(luò)302
18.1.9 殘差網(wǎng)絡(luò)303
18.2 物體檢測305
18.2.1 物體檢測如何工作305
18.2.2 選擇性搜索306
18.2.3 RCNN、Fast RCNN和Faster RCNN307
18.2.4 YOLO309
18.2.5 評價(jià)檢測器310
18.3 延伸閱讀312
習(xí)題313
編程練習(xí)313
第19章 大信號的小碼表示315
19.1 更好的低維映射315
19.1.1 薩蒙映射316
19.1.2 TSNE317
19.2 產(chǎn)生低維表示的映射319
19.2.1 編碼器、解碼器和自編碼器319
19.2.2 令數(shù)據(jù)塊變得更大320
19.2.3 去噪自編碼器322
19.3 從例子中產(chǎn)生圖像325
19.3.1 變分自編碼器326
19.3.2 對抗損失：愚弄分類器327
19.3.3 利用測試函數(shù)來匹配分布328
19.3.4 通過查看距離來匹配分布329
編程練習(xí)330
書單推薦
