书籍详情
机器学习、理论、实践与提高
作者：[法] 马西-雷萨·阿米尼（Massih-Reza Amini） 著，许鹏 译
出版社：人民邮电出版社
出版时间：2018-04-01
ISBN：9787115479655
定价：¥59.00
购买这本书可以去
内容简介
本书是机器学习理论与算法的参考书目，从监督、半监督学习的基础理论开始，本书采用简单、流行的C语言，逐步介绍了很常见、杰出的理论概念、算法与实践案例，呈现了相应的经典算法和编程要点，满足读者希望了解机器学习运作模式的根本需求。
作者简介
Massih-Reza Amini，法国格勒诺布尔大学计算机科学教授，研究领域统计机器学习的全新框架与模板。Francis Bach 序法国国家信息与自动化研究所研究院，巴黎高等师范学校机械学习研究所SIERRA项目负责人，专注于图形建模、稀疏法、模型核方法、凸优化、信号处理等。
目录
目录
第 1 章 机器学习理论简述 1
1 1 经验误差最小化 2
1 1 1 假设与定义 2
1 1 2 原理陈述 4
1 2 经验风险最小化原理的一致性 4
1 2 1 在测试集上估计泛化误差 6
1 2 2 泛化误差的一致边界 7
1 2 3 结构风险最小化 15
1 3 依赖于数据的泛化误差界 17
1 3 1 Rademacher 复杂度 17
1 3 2 Rademacher 复杂度和 VC 维的联系 17
1 3 3 利用 Rademacher 复杂度获取泛化界的步骤 19
1 3 4 Rademacher 复杂度的性质 23
第 2 章 无约束凸优化算法 26
2 1 梯度法 29
2 1 1 批处理模式 29
2 1 2 在线模式 31
2 2 拟牛顿法 32
2 2 1 牛顿方向 32
2 2 2 Broyden-Fletcher-Goldfarb-Shanno 公式 33
2 3 线搜索 36
2 3 1 Wolfe 条件 37
2 3 2 基于回溯策略的线搜索 41
2 4 共轭梯度法 43
2 4 1 共轭方向 43
2 4 2 共轭梯度算法 46
第 3 章 二类分类 48
3 1 感知机 48
3 1 1 感知机的收敛性定理 51
3 1 2 带间隔感知机及其与经验风险最小化原理的联系 53
3 2 Adaline 54
3 2 1 与线性回归和经验风险最小化原理的联系 54
3 3 Logistic 回归 56
3 3 1 与经验风险最小化原理的联系 57
3 4 支持向量机 58
3 4 1 硬间隔 58
3 4 2 软间隔 63
3 4 3 基于间隔的泛化误差界 66
3 5 AdaBoost 68
3 5 1 与经验风险最小化原理的联系 70
3 5 2 拒绝法抽样 72
3 5 3 理论研究 73
第 4 章 多类分类 76
4 1 形式表述 76
4 1 1 分类误差 77
4 1 2 泛化误差界 77
4 2 单一法 80
4 2 1 多类支持向量机 80
4 2 2 多类 AdaBoost 84
4 2 3 多层感知机 87
4 3 组合二类分类算法的模型 91
4 3 1 一对全 91
4 3 2 一对一 92
4 3 3 纠错码 93
第 5 章 半监督学习 95
5 1 无监督框架和基本假设 95
5 1 1 混合密度模型 96
5 1 2 估计混合参数 96
5 1 3 半监督学习的基本假设 102
5 2 生成法 104
5 2 1 似然准则在半监督学习情形的推广 104
5 2 2 半监督 CEM 算法 105
5 2 3 应用：朴素贝叶斯分类器的半监督学习 106
5 3 判别法 108
5 3 1 自训练算法 109
5 3 2 转导支持向量机 111
5 3 3 贝叶斯分类器误差的转导界 113
5 3 4 基于伪标注的多视角学习 116
5 4 图法 118
5 4 1 标注的传播 119
5 4 2 马尔可夫随机游动 121
第 6 章 排序学习 123
6 1 形式表述 123
6 1 1 排序误差函数 124
6 1 2 样例排序 127
6 1 3 备择排序 128
6 2 方法 130
6 2 1 单点法 130
6 2 2 成对法 135
6 3 互相关数据的学习 144
6 3 1 测试界 146
6 3 2 泛化界 146
6 3 3 一些具体例子中的界的估计 151
附录 回顾和补充 155
附录 A 概率论回顾 156
A 1 概率测度 156
A 1 1 可概率化空间 156
A 1 2 概率空间 157
A 2 条件概率 158
A 2 1 贝叶斯公式 158
A 2 2 独立性 159
A 3 实随机变量 159
A 3 1 分布函数 160
A 3 2 随机变量的期望和方差 161
A 3 3 集中不等式 162
附录 B 程序代码 166
B 1 数据结构 166
B 1 1 数据集 166
B 1 2 超参数结构 167
B 2 稀疏表示 168
B 3 程序运行 170
B 4 代码 172
B 4 1 BGFS 算法（ 2 2 2 节） 172
B 4 2 线搜索（ 2 3 节） 175
B 4 3 共轭梯度法（ 2 4 节） 178
B 4 4 感知机（ 3 1 节） 180
B 4 5 Adaline 算法（ 3 2 节） 181
B 4 6 Logistic 回归（ 3 3 节） 182
B 4 7 AdaBoost 算法（ 3 5 节） 184
B 4 8 AdaBoost M2 算法（ 4 2 2 节） 188
B 4 9 多层感知机（ 4 2 3 节） 192
B 4 10 K- 均值算法（ 5 1 2 节） 195
B 4 11 半监督朴素贝叶斯（ 5 2 3 节） 197
B 4 12 自学习（ 5 3 1 节） 201
B 4 13 一次性自学习（ 5 3 1 节） 204
B 4 14 PRank 算法（ 6 2 1 节） 205
B 4 15 RankBoost 算法（ 6 2 2 节） 207
参考文献 211
第 1 章 机器学习理论简述 1
1 1 经验误差最小化 2
1 1 1 假设与定义 2
1 1 2 原理陈述 4
1 2 经验风险最小化原理的一致性 4
1 2 1 在测试集上估计泛化误差 6
1 2 2 泛化误差的一致边界 7
1 2 3 结构风险最小化 15
1 3 依赖于数据的泛化误差界 17
1 3 1 Rademacher 复杂度 17
1 3 2 Rademacher 复杂度和 VC 维的联系 17
1 3 3 利用 Rademacher 复杂度获取泛化界的步骤 19
1 3 4 Rademacher 复杂度的性质 23
第 2 章 无约束凸优化算法 26
2 1 梯度法 29
2 1 1 批处理模式 29
2 1 2 在线模式 31
2 2 拟牛顿法 32
2 2 1 牛顿方向 32
2 2 2 Broyden-Fletcher-Goldfarb-Shanno 公式 33
2 3 线搜索 36
2 3 1 Wolfe 条件 37
2 3 2 基于回溯策略的线搜索 41
2 4 共轭梯度法 43
2 4 1 共轭方向 43
2 4 2 共轭梯度算法 46
第 3 章 二类分类 48
3 1 感知机 48
3 1 1 感知机的收敛性定理 51
3 1 2 带间隔感知机及其与经验风险最小化原理的联系 53
3 2 Adaline 54
3 2 1 与线性回归和经验风险最小化原理的联系 54
3 3 Logistic 回归 56
3 3 1 与经验风险最小化原理的联系 57
3 4 支持向量机 58
3 4 1 硬间隔 58
3 4 2 软间隔 63
3 4 3 基于间隔的泛化误差界 66
3 5 AdaBoost 68
3 5 1 与经验风险最小化原理的联系 70
3 5 2 拒绝法抽样 72
3 5 3 理论研究 73
第 4 章 多类分类 76
4 1 形式表述 76
4 1 1 分类误差 77
4 1 2 泛化误差界 77
4 2 单一法 80
4 2 1 多类支持向量机 80
4 2 2 多类 AdaBoost 84
4 2 3 多层感知机 87
4 3 组合二类分类算法的模型 91
4 3 1 一对全 91
4 3 2 一对一 92
4 3 3 纠错码 93
第 5 章 半监督学习 95
5 1 无监督框架和基本假设 95
5 1 1 混合密度模型 96
5 1 2 估计混合参数 96
5 1 3 半监督学习的基本假设 102
5 2 生成法 104
5 2 1 似然准则在半监督学习情形的推广 104
5 2 2 半监督 CEM 算法 105
5 2 3 应用：朴素贝叶斯分类器的半监督学习 106
5 3 判别法 108
5 3 1 自训练算法 109
5 3 2 转导支持向量机 111
5 3 3 贝叶斯分类器误差的转导界 113
5 3 4 基于伪标注的多视角学习 116
5 4 图法 118
5 4 1 标注的传播 119
5 4 2 马尔可夫随机游动 121
第 6 章 排序学习 123
6 1 形式表述 123
6 1 1 排序误差函数 124
6 1 2 样例排序 127
6 1 3 备择排序 128
6 2 方法 130
6 2 1 单点法 130
6 2 2 成对法 135
6 3 互相关数据的学习 144
6 3 1 测试界 146
6 3 2 泛化界 146
6 3 3 一些具体例子中的界的估计 151
附录 回顾和补充 155
附录 A 概率论回顾 156
A 1 概率测度 156
A 1 1 可概率化空间 156
A 1 2 概率空间 157
A 2 条件概率 158
A 2 1 贝叶斯公式 158
A 2 2 独立性 159
A 3 实随机变量 159
A 3 1 分布函数 160
A 3 2 随机变量的期望和方差 161
A 3 3 集中不等式 162
附录 B 程序代码 166
B 1 数据结构 166
B 1 1 数据集 166
B 1 2 超参数结构 167
B 2 稀疏表示 168
B 3 程序运行 170
B 4 代码 172
B 4 1 BGFS 算法（ 2 2 2 节） 172
B 4 2 线搜索（ 2 3 节） 175
B 4 3 共轭梯度法（ 2 4 节） 178
B 4 4 感知机（ 3 1 节） 180
B 4 5 Adaline 算法（ 3 2 节） 181
B 4 6 Logistic 回归（ 3 3 节） 182
B 4 7 AdaBoost 算法（ 3 5 节） 184
B 4 8 AdaBoost M2 算法（ 4 2 2 节） 188
B 4 9 多层感知机（ 4 2 3 节） 192
B 4 10 K- 均值算法（ 5 1 2 节） 195
B 4 11 半监督朴素贝叶斯（ 5 2 3 节） 197
B 4 12 自学习（ 5 3 1 节） 201
B 4 13 一次性自学习（ 5 3 1 节） 204
B 4 14 PRank 算法（ 6 2 1 节） 205
B 4 15 RankBoost 算法（ 6 2 2 节） 207
参考文献 211
猜您喜欢
