万本电子书0元读

万本电子书0元读

顶部广告

机器学习与优化电子书

如今是人工智能高歌猛的时代,机器学习的发展也如火如荼。然而,复杂的数学公式和难解的专业术语容易令刚触这一领域的学习者望而生畏。有没有这样一本机器学习的书,能摒弃复杂的公式推导,带领读者通过实践来掌握机器学习的方法? 《机器学习与优化》正是这样一本书!它的写作脱胎于意大利特伦托大学机器学习与智能优化实验室(LION lab)的研究项目,语言轻松幽默,内容图文并茂,涵盖了机器学习中可能遇到的各方面知识。更重要的是,书中特别介绍了两个机器学习的应用,即信息检索和协同推荐,让读者在了解信息结构的同时,还能利用信息来预测相关的推荐项。

售       价:¥

纸质售价:¥66.70购买纸书

302人正在读 | 0人评论 6.7

作       者:(意) 罗伯托·巴蒂蒂(Roberto Battiti) ,毛罗·布鲁纳托(Mauro Brunato)

出  版  社:人民邮电出版社

出版时间:2018-05-01

字       数:18.9万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书是机器学习实战领域的一本佳作,从机器学习的基本概念讲起,旨在将初学者引机器学习的大门,并走上实践的道路。本书通过讲解机器学习中的监督学习和无监督学习,并结合特征选择和排序、聚类方法、文本和网页挖掘等热问题,论证了“优化是力量之源”这一观,为机器学习在企业中的应用提供了切实可行的操作建议。<br/>【推荐语】<br/>如今是人工智能高歌猛的时代,机器学习的发展也如火如荼。然而,复杂的数学公式和难解的专业术语容易令刚触这一领域的学习者望而生畏。有没有这样一本机器学习的书,能摒弃复杂的公式推导,带领读者通过实践来掌握机器学习的方法? 《机器学习与优化》正是这样一本书!它的写作脱胎于意大利特伦托大学机器学习与智能优化实验室(LION lab)的研究项目,语言轻松幽默,内容图文并茂,涵盖了机器学习中可能遇到的各方面知识。更重要的是,书中特别介绍了两个机器学习的应用,即信息检索和协同推荐,让读者在了解信息结构的同时,还能利用信息来预测相关的推荐项。 本书作者以及读者群发布的数据、指导说明和教学短片都可以在本书网站上找到。 本书内容要: ● 监督学习——线性模型、决策森林、神经网络、深度和卷积网络、支持向量机等 ● 无监督模型和聚类——K均值、自底而上聚类、自组织映射、谱图绘制、半监督学习等 ● 优化是力量之源——自动改的局部方法、局部搜索和反馈搜索优化、协作反馈搜索优化、多目标反馈搜索优化等 ● 应用精选——文本和网页挖掘,电影的协同推荐系统<br/>【作者】<br/>【作者简介】 罗伯托·巴蒂蒂(Roberto Battiti) 人工智能领域先驱,IEEE会士。因在无功搜索优化(RSO)方向做出了创性的工作而名震学界。 目前为意大利特伦托大学教授,同时担任特伦托大学机器学习与智能优化实验室(LION lab)主任。 毛罗·布鲁纳托(Mauro Brunato) 意大利特伦托大学助理教授,LION研究团队成员。 【译者简介】 王彧弋 博士,现于瑞士苏黎世联邦理工学院从事研究工作,主要研究方向为理论计算机科学与机器学习。<br/>
目录展开

第 1 章 引言

1.1 学习与智能优化:燎原之火

1.2 寻找黄金和寻找伴侣

1.3 需要的只是数据

1.4 超越传统的商业智能

1.5 LION 方法的实施

1.6 “动手”的方法

第 2 章 懒惰学习:最近邻方法

最近邻方法

第 3 章 学习需要方法

3.1 从已标记的案例中学习:最小化和泛化

3.2 学习、验证、测试

3.3 不同类型的误差

第一部分 监督学习

第 4 章 线性模型

4.1 线性回归

4.2 处理非线性函数关系的技巧

4.3 用于分类的线性模型

4.4 大脑是如何工作的

4.5 线性模型为何普遍,为何成功

4.6 最小化平方误差和

4.7 数值不稳定性和岭回归

第 5 章 广义线性最小二乘法

5.1 拟合的优劣和卡方分布

5.2 最小二乘法与最大似然估计

5.3 置信度的自助法

附录:绘制置信区间(百分位值和箱形图)

规则、决策树和森林

6.1 构造决策树

6.2 民主与决策森林

第 7 章 特征排序及选择

7.1 特征选择:情境

7.2 相关系数

7.3 相关比

7.4 卡方检验拒绝统计独立性

7.5 熵和互信息

第 8 章 特定非线性模型

8.1 logistic回归

8.2 局部加权回归

8.3 用LASSO来缩小系数和选择输入值

第 9 章 神经网络:多层感知器

9.1 多层感知器

9.2 通过反向传播法学习

第 10 章 深度和卷积网络

10.1 深度神经网络

10.2 局部感受野和卷积网络

第 11 章 统计学习理论和支持向量机

11.1 经验风险最小化

第 12 章 最小二乘法和健壮内核机器

12.1 最小二乘支持向量机分类器

12.2 健壮加权最小二乘支持向量机

12.3 通过修剪恢复稀疏

12.4 算法改进:调谐QP、原始版本、无补偿

第 13 章 机器学习中的民主

13.1 堆叠和融合

13.2 实例操作带来的多样性:装袋法和提升法

13.3 特征操作带来的多样性

13.4 输出值操作带来的多样性:纠错码

13.5 训练阶段随机性带来的多样性

13.6 加性logistic回归

13.7 民主有助于准确率--拒绝的折中

第 14 章 递归神经网络和储备池计算

14.1 递归神经网络

14.2 能量极小化霍普菲尔德网络

14.3 递归神经网络和时序反向传播

14.4 递归神经网络储备池学习

14.5 超限学习机

第二部分 无监督学习和聚类

第 15 章 自顶向下的聚类:K 均值

15.1 无监督学习的方法

15.2 聚类:表示与度量

15.3 硬聚类或软聚类的K均值方法

第 16 章 自底向上(凝聚)聚类

16.1 合并标准以及树状图

16.2 适应点的分布距离:马氏距离

16.3 附录:聚类的可视化

第 17 章 自组织映射

17.1 将实体映射到原型的人工皮层

17.2 使用成熟的自组织映射进行分类

第 18 章 通过线性变换降维(投影)

18.1 线性投影

18.2 主成分分析

18.3 加权主成分分析:结合坐标和关系

18.4 通过比值优化进行线性判别

18.5 费希尔线性判别分析

第 19 章 通过非线性映射可视化图与网络

19.1 最小应力可视化

19.2 一维情况:谱图绘制

19.3 复杂图形分布标准

第 20 章 半监督学习

20.1 用部分无监督数据进行学习

第三部分 优化:力量之源

第 21 章 自动改进的局部方法

21.1 优化和学习

21.2 基于导数技术的一维情况

21.3 求解高维模型(二次正定型)

21.4 高维中的非线性优化

21.5 不涉及导数的技术:反馈仿射振荡器

第 22 章 局部搜索和反馈搜索优化

22.1 基于扰动的局部搜索

22.2 反馈搜索优化:搜索时学习

22.3 基于禁忌的反馈搜索优化

第 23 章 合作反馈搜索优化

23.1 局部搜索过程的智能协作

23.2 CoRSO:一个政治上的类比

23.3 CoRSO的例子:RSO与RAS合作

第 24 章 多目标反馈搜索优化

24.1 多目标优化和帕累托最优

24.2 计算机优化:循环中的用户

第四部分 应用精选

第 25 章 文本和网页挖掘

25.1 网页信息检索与组织

25.2 信息检索与排名

25.3 使用超链接来进行网页排名

25.4 确定中心和权威:HITS

25.5 聚类

第 26 章 协同过滤和推荐

26.1 通过相似用户结合评分

26.2 基于矩阵分解的模型

参考文献

看完了

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部