新書推薦：
《
盗墓：历史发现与文化考察
》
售價：HK$
327.8
《
具身智能：智能出行·智慧生活·人机共生
》
售價：HK$
97.9
《
捍卫道德实在论（元伦理学系列）
》
售價：HK$
121.0
《
中西之外：华夏世界观与人类学
》
售價：HK$
85.8
《
跨越时空的蜂鸟家族（约翰·古尔德的鸟类手绘图鉴）
》
售價：HK$
184.8
《
成功的法则：掌控人生的关键能力
》
售價：HK$
64.9
《
黄宗羲传
》
售價：HK$
74.8
《
教育研究量表手册 21世纪教育科学系列教材
》
售價：HK$
97.9
|
| 編輯推薦： |
本书内容全面，在机器学习领域具有广泛的影响力，它不仅深刻地探讨了机器学习的核心理论，还紧密结合了实际应用场景，展现出独特的双重魅力。作为一部集理论深度与实践价值于一体的典范之作，本书主要具有以下突出特点：
架构清晰，环环相扣筑就知识堡垒：本书内容条理清晰，各章节之间紧密相连，逻辑连贯，从基础的概念引入到复杂的算法与模型，每一章的衔接都显得水到渠成，自然流畅，形成了一套完整且系统的知识体系。这种系统化布局为读者提供了一条清晰的学习路径，使读者能按照既定的逻辑，由浅入深地掌握每一个知识点。同时，它也为读者日后的进一步探索与实践提供了极大的便利，使得他们能够迅速定位并灵活运用所需知识。
实例为钥，解锁机器学习之门：书中巧妙融入了大量贴近生活的鲜活案例，如同钥匙般解开了复杂概念的枷锁，使之变得通俗易懂，易于读者消化吸收。作者以生动且充满亲和力的笔触，不仅赋予了理论知识鲜活的生命力，也未忽视对算法背后数学原理的深入剖析，这种结合使读者不仅能够构建起坚实的理论基础，更能在实践中游刃有余地运用所学知识。通过这些案例，读者能够深刻体会到机器学习在日常生活中的广泛应用和巨大价值。
实践指导，凸显知行合一
|
| 內容簡介： |
|
全面介绍机器学习理论及实践的教科书，包含深度学习、强化学习和神经网络的新进展。
|
| 關於作者： |
|
现为土耳其安兹耶因大学（?zyegin University）计算机科学系教授。之前他一直在土耳其海峡大学（Bogazici University）任教，于2019年1月退休。他本科毕业于土耳其海峡大学，1990年在瑞士洛桑联邦理工学院获博士学位，1991年回到土耳其海峡大学任教，期间曾在美国麻省理工学院和加州大学伯克利分校从事研究工作。Ethem博士主要研究方向是人工智能和机器学习，曾担任剑桥大学的《The Computer Journal》杂志编委和Elsevier的《Pattern Recognition》杂志副主编。2001年和2002年，Ethem博士先后获得土耳其科学院青年科学家奖和土耳其科学与技术研究委员会科学奖；他是土耳其科学院院士。
|
| 目錄：
|
目 录
译者序
前言
符号表
第1章 绪论1
1.1 什么是机器学习1
1.2 机器学习应用的示例2
1.2.1 关联规则2
1.2.2 分类3
1.2.3 回归5
1.2.4 无监督学习6
1.2.5 强化学习7
1.3 历史7
1.4 相关主题9
1.4.1 高性能计算9
1.4.2 数据隐私与安全9
1.4.3 模型的可解释性和可信度10
1.4.4 数据科学10
1.5 练习10
1.6 参考文献12
第2章 有监督学习13
2.1 从示例中学习类别13
2.2 Vapnik-Chervonenkis维16
2.3 概率近似正确学习17
2.4 噪声18
2.5 学习多分类19
2.6 回归20
2.7 模型选择与泛化22
2.8 有监督机器学习算法的维度24
2.9 注释25
2.10 练习25
2.11 参考文献27
第3章 贝叶斯决策理论28
3.1 引言28
3.2 分类29
3.3 损失和风险30
3.4 判别函数32
3.5 关联规则33
3.6 注释34
3.7 练习35
3.8 参考文献38
第4章 参数方法39
4.1 引言39
4.2 极大似然估计39
4.2.1 伯努利密度40
4.2.2 多项密度40
4.2.3 高斯（正态）密度41
4.3 评估估计量：偏差和方差41
4.4 贝叶斯估计量43
4.5 参数分类45
4.6 回归47
4.7 调整模型复杂度：偏差/方差困境50
4.8 模型选择程序52
4.9 注释55
4.10 练习55
4.11 参考文献57
第5章 多元方法58
5.1 多元数据58
5.2 参数估计58
5.3 缺失值的估计59
5.4 多元正态分布60
5.5 多元分类62
5.6 调试复杂度66
5.7 离散型特征68
5.8 多元回归69
5.9 注释70
5.10 练习71
5.11 参考文献72
第6章 降维73
6.1 引言73
6.2 子集选择74
6.3 主成分分析76
6.4 特征嵌入80
6.5 因子分析82
6.6 奇异值分解和矩阵因式分解85
6.7 多维缩放86
6.8 线性判别分析88
6.9 典型相关分析92
6.10 等距特征映射93
6.11 局部线性嵌入94
6.12 拉普拉斯特征映射96
6.13 t分布随机邻域嵌入98
6.14 注释99
6.15 练习100
6.16 参考文献101
第7章 聚类103
7.1 引言 103
7.2 混合密度103
7.3 k-均值聚类104
7.4 期望最大化算法107
7.5 混合潜在变量模型110
7.6 聚类后的有监督学习111
7.7 谱聚类112
7.8 层次聚类113
7.9 选择簇的数量114
7.10 注释114
7.11 练习115
7.12 参考文献116
第8章 非参数方法118
8.1 引言118
8.2 非参数密度估计119
8.2.1 直方图估计量119
8.2.2 核估计量120
8.2.3 k-最近邻估计量121
8.3 多元数据的泛化123
8.4 非参数分类123
8.5 浓缩最近邻法124
8.6 基于距离的分类125
8.7 离群值检测127
8.8 非参数回归：平滑模型128
8.8.1 移动平均平滑器128
8.8.2 核平滑器130
8.8.3 移动线平滑器130
8.9 如何选择平滑参数131
8.10 注释132
8.11 练习133
8.12 参考文献135
第9章 决策树137
9.1 引言137
9.2 单变量树138
9.2.1 分类树138
9.2.2 回归树141
9.3 剪枝144
9.4 从树中提取规则144
9.5 从数据中学习规则145
9.6 多变量树148
9.7 注释149
9.8 练习150
9.9 参考文献152
第10章 线性判别153
10.1 引言153
10.2 线性模型的归纳154
10.3 线性判别式的几何原理155
10.3.1 二分类155
10.3.2 多分类156
10.4 逐对分割156
10.5 重温参数判别157
10.6 梯度下降159
10.7 逻辑判别159
10.7.1 二分类159
10.7.2 多分类162
10.7.3 多标签165
10.8 排序学习165
10.9 注释166
10.10 练习167
10.11 参考文献169
第11章 多层感知机170
11.1 引言170
11.1.1 理解大脑170
11.1.2 作为并行处理范例的神经网络171
11.2 感知机172
11.3 训练感知机174
11.4 学习布尔函数175
11.5 多层感知机详解176
11.6 作为通用近似器的MLP177
11.7 反向传播算法179
11.7.1 非线性回归179
11.7.2 二分类判别182
11.7.3 多分类判别183
11.7.4 多标签判别183
11.8 过度训练184
11.9 学习隐藏表征185
11.10 自编码器187
11.11 word2vec架构188
11.12 注释190
11.13 练习191
11.14 参考文献192
第12章 深度学习194
12.1 引言194
12.2 如何训练多个隐藏层 196
12.2.1 线性整流函数196
12.2.2 初始化196
12.2.3 将反向传播泛化到多个隐藏层196
12.3 提高训练的收敛性198
12.3.1 动量199
12.3.2 自适应学习因子199
12.3.3 批量归一化200
12.4 正则化201
12.4.1 提示201
12.4.2 权重衰减202
12.4.3 丢弃法204
12.5 卷积层204
12.5.1 思想204
12.5.2 形式化205
12.5.3 示例：LeNet-5和AlexNet207
12.5.4 扩展208
12.5.5 多模态深度网络209
12.6 调整网络结构209
12.6.1 结构和超参数搜索209
12.6.2 跳跃连接210
12.6.3 门控单元211
12.7 学习序列211
12.7.1 示例任务211
12.7.2 时延神经网络212
12.7.3 循环网络212
12.7.4 长短期记忆单元213
12.7.5 门控循环单元214
12.8 生成对抗网络215
12.9 注释216
12.10 练习217
12.11 参考文献218
第13章 局部模型221
13.1 引言221
13.2 竞争学习221
13.2.1 在线k-均值221
13.2.2 自适应共振理论224
13.2.3 自组织映射224
13.3 径向基函数225
13.4 融合基于规则的知识229
13.5 归一化基函数230
13.6 竞争基函数231
13.7 学习矢量量化233
13.8 混合专家系统233
13.8.1 协同专家系统235
13.8.2 竞争专家系统235
13.9 层次混合专家系统和软决策树236
13.10 注释237
13.11 练习237
13.12 参考文献239
第14章 核机241
14.1 引言241
14.2 最佳分离超平面242
14.3 不可分情况：软边距超平面244
14.4 ν-SVM246
14.5 核技巧247
14.6 向量核248
14.7 定义核250
14.8 多重核学习251
14.9 多类别核机252
14.10 用于回归的核机253
14.11 用于排序的核机256
14.12 单类别核机257
14.13 大边距最近邻分类器259
14.14 核降维260
14.15 注释261
14.16 练习262
14.17 参考文献263
第15章 图模型265
15.1 引言265
15.2 条件独立性的典型案例266
15.3 生成模型271
15.4 d-分离272
15.5 信念传播272
15.5.1 链273
15.5.2 树274
15.5.3 多叉树275
15.5.4 联合树277
15.6 无向图：马尔可夫随机场277
15.7 学习图模型的结构279
15.8 影响图279
15.9 注释280
15.10 练习280
15.11 参考文献282
第16章 隐马尔可夫模型284
16.1 引言284
16.2 离散马尔可夫过程284
16.3 隐马尔可夫模型详解286
16.4 隐马尔可夫模型的三个基本问题287
16.5 评估问题288
16.6 寻找状态序列290
16.7 学习模型参数292
16.8 连续型观测294
16.9 作为图模型的隐马尔可夫模型294
16.10 隐马尔可夫模型中的模型选择296
16.11 注释298
16.12 练习299
16.13 参考文献301
第17章 贝叶斯估计法302
17.1 引言302
17.2 离散分布参数的贝叶斯估计304
17.2.1 K>2状态：狄利克雷分布304
17.2.2 K=2 状态：贝塔分布305
17.3 高斯分布参数的贝叶斯估计306
17.3.1 单变量情况：未知均值、已知方差306
17.3.2 单变量情况：未知均值、未知方差307
17.3.3 多变量情况：未知均值、未知协方差309
17.4 函数参数的贝叶斯估计309
17.4.1 回归310
17.4.2 为噪声精度假定先验的回归312
17.4.3 基函数/核函数的使用314
17.4.4 贝叶斯分类法315
17.5 选择先验317
17.6 贝叶斯模型比较317
17.7 混合模型的贝叶斯估计319
17.8 非参数贝叶斯模型321
17.9 高斯过程321
17.10 狄利克雷过程与中餐馆324
17.11 潜在狄利克雷分配325
17.12 贝塔过程与印度自助餐326
17.13 注释327
17.14 练习328
17.15 参考文献328
第18章 多学习器的组合330
18.1 原理330
18.2 生成多样化的学习器330
18.3 模型组合方案332
18.4 投票法333
18.5 纠错输出码335
18.6 装袋法337
18.7 提升法337
18.8 重温混合专家系统339
18.9 堆叠泛化340
18.10 对集成进行微调341
18.10.1 为集成选择子集341
18.10.2 构建元学习器341
18.11 级联342
18.12 注释343
18.13 练习344
18.14 参考文献345
第19章 强化学习348
19.1 引言348
19.2 单一状态案例：K臂老虎机349
19.3 强化学习的要素350
19.4 基于模型的学习351
19.4.1 价值迭代351
19.4.2 策略迭代352
19.5 时序差分学习352
19.5.1 探索策略353
19.5.2 确定性奖励和行动353
19.5.3 非确定性奖励和行动354
19.5.4 资格迹355
19.6 泛化357
19.7 部分可观测状态358
19.7.1 背景358
19.7.2 示例：老虎问题359
19.8 深度Q学习363
19.9 策略梯度364
19.10 学习下西洋双陆棋和围棋365
19.11 注释366
19.12 练习367
19.13 参考文献368
第20章 机器学习实验的设计与分析370
20.1 引言370
20.2 实验的因素、响应和策略371
20.3 响应面设计373
20.4 随机化、重复和阻止373
20.5 机器学习实验指南374
20.6 交叉验证和重采样方法376
20.6.1 K-折交叉验证376
20.6.2 5×2 交叉验证377
20.6.3 自举法377
20.7 测量分类器的性能378
20.8 区间估计380
20.9 假设检验383
20.10 评估分类算法的性能384
20.10.1 二项检验384
20.10.2 近似正态检验385
20.10.3 t检验385
20.11 两种分类算法的比较386
20.11.1 配对卡方检验386
20.11.2 K-折交叉验证配对t检验386
20.11.3 5×2交叉验证配对t检验387
20.11.4 5×2交叉验证配对F检验387
20.12 多种算法的比较：方差分析388
20.13 对多个数据集进行比较391
20.13.1 比较两种算法391
20.13.2 比较多种算法392
20.14 多变量检验393
20.14.1 比较两种算法393
20.14.2 比较多种算法394
20.15 注释395
20.16 练习396
20.17 参考文献397
附录A 概率398
附录B 线性代数406
附录C 优化412
|
| 內容試閱：
|
前?言
Introduction to Machine Learning，Fourth Edition
机器学习支撑着当今最酷的技术。从人脸识别到自动驾驶汽车，从语音识别到翻译，这些正逐步渗透进我们日常生活中的应用都包含了一定程度的学习元素。实际上，现如今，如果没有机器学习，大多数此类系统是无法实现的。随着数据的可用性和处理数据的算力的不断提升，我们观察到无论是通过从收集的数据中学习，还是通过试错学习，系统自主学习的趋势越来越强，而无须针对不同的任务进行特定的编程。
自动驾驶汽车是通过海量的数据被训练出来的，数据中包含了比最有经验的人类驾驶员所能经历的更多的交通场景以及更多种类的道路和天气条件。AlphaGo，一个学习下围棋的程序，下过的棋和学到的棋比任何人类棋手一生下过的棋都多，而且因为它一直在与自己对弈并不断学习，所以它就像在与实力越来越强的棋手竞技一样。一个训练过的翻译（例如从英语翻译成法语）程序，会看到比任何人类翻译员更多的文本。
机器学习是计算机科学中最火热的研究领域之一。随着数字技术在我们的生活中不断渗透，越来越多的数据被不断地产生和收集，我们的计算机系统也变得更快，能够处理更大规模的数据了。学习算法的基础理论也在飞速发展。自2014年本书第3版出版以来，这种理论、计算和数据并行发展的态势更加强劲了。
近十年来，深度学习已经成为机器学习的主流方法。20世纪80年代末和90年代初流行的人工神经网络在某些领域取得了成功，Tesauro的学习下西洋双陆棋的TD-Gammon网络和LeCun的手写数字识别网络是其中两个比较出名的成功案例。然而，当时很难找到大规模的数据集，并且算力有限。近年来，随着更多数据的产生以及处理器价格的下降和速度的提高，构建和训练具有多层次、多单元的“深度”网络成为可能，并且这些网络在许多领域都取得了令人惊喜的成果。另一个推动力是公开的软件平台的普及，这使得编写这样深层次的网络变得很容易。比LeCun的LeNet更深层的网络现在已应用在更复杂的视觉应用中，包括人脸识别、图像标题生成和自动驾驶汽车等应用。比Tesauro的TD-Gammon更深层的网络也已经学会了下围棋，而围棋一直被视为超出人工智能能力的游戏。
深度学习最有趣的一点是，学习是端到端的。我们只在开始时提供输入，在最后提供预期输出，两者之间所需的任何转换都是由网络中众多的中间“隐藏”层自动学习的。这种网络通常具有两阶段结构，第一阶段——“编码器”——接收输入，并在网络的前几层将其压缩成中间“编码”。第二阶段——“解码器”——将编码作为输入数据，并在网络的最后几层将其合成为输出结果。端到端学习意味着两者是一起训练的，且它们之间的中间编码格式也是自动确定的。
我们对计算机科学中的这种结构并不陌生。例如，编译器的前端可以读取源代码，对其进行词法和语法分析并生成中间表征，后端则获取这一中间表征并生成目标代码。深度网络与之类似，只是两端都是学习到的，并且是一起学习的。
考虑一辆自动驾驶汽车。假设它配备了一台能看到前方道路的摄像头，而输出是方向盘的角度。通常这样的系统由两个背靠背的模块组成。一个是感知模块，它接收来自摄像头传感器的数据，对其进行处理，并生成一个抽象表征，根据对转向至关重要的特征对场景进行总结。另一个是行动模块，负责在此基础上生成转向输出。这两个模块将由具备不同技能的两个工程师团队实施，除了定义作为两个模块接口的中间表征时，他们几乎都在独立工作。
端到端训练的深度网络包含这两个模块，并且将它们一起进行训练。深度网络前面的“卷积”层负责处理图像并依次生成场景的抽象表征，粗略地说，这些前面的层对应于感知模块。之后是所谓的全连接层，其任务是合成输出，在本例中相当于选择正确的行动。无论两者之间需要什么中间表征，或者感知模块需要检测什么特征，都要从数据中学习，以便在网络的末端最大限度地提高输出的准确性。许多应用中使用的深度网络都具有这种感知-行动、分析器-合成器或编码器-解码器结构。
根据技术的最新进展，本书新版的变化主要与神经网络和深度学习有关。
在关于多层感知机的第11章，新增了两节内容：其中一节详细讨论了深度神经网络中流行的自编码器；另一节讨论了word2vec网络，其有趣之处不仅在于新颖的任务定义方式，还在于它已经成为自然语言处理任务中表示单词的流行方法。
新增的第12章讨论了深度学习的内容。该章扩展了对多层感知机的讨论，并包含了有关训练深度神经网络、对其进行正则化以获得更好的学习效果、结构化网络以提高学习效率（例如，通过卷积层）以及对它学习序列所需的短期记忆进行循环扩展等的节。此外，还包含了关于生成对抗网络的节，近年来，它在许多应用领域展现出了令人印象深刻的效果。
在关于强化学习的第19章，新增了讨论强化学习中深度网络如何使用的节。其中有一节是关于近年来在神经网络中频繁使用的策略梯度法。还有两节是关于深度强化学习的两个示例，一个是学习玩街机视频游戏的网络，另一个是学习下围棋的网络，分别在2015年和2016年发布时成了头条新闻。
此外，第6章还新增了一节关于t-SNE的内容，这是近年来经常使用的一种降维方法，尤其是在可视化方面。第10章对于线性感知机的多标签分类和第11章对于多层感知机的多标签分类也有新增内容。如今，我们经常可以看到这些概念的应用，例如在图像标注方面。附录B和附录C是新添加的关于线性代数和优化的内容，目的是提醒读者关注机器学习中常用的基本概念。
我要感谢每一位使用本书进行教学的教授、学生以及使用本书进行自学的人，自2004年第1版出版以来，他们一直向我提出问题和建议，并告知我勘误，帮助我改进内容。一本书，尤其是教科书，既是读者写的，也是作者写的。我的电子邮箱是 ethem.alpaydin@gmail.com，通过本书的出版商网页mitpress.mit.edu/books/introduction-machine-learning-fourth-edition可以获得对教师的在线支持。
我与MIT出版社已合作近二十载，我们之间的合作是我一生宝贵的经验。很高兴能再次与他们合作完成第4版，我要感谢Kate Gibson和Marcy Ross对书稿的认真审阅，尤其要感谢Marie Lufkin Lee给予的帮助和支持。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
