機(jī)器學(xué)習(xí)導(dǎo)論

前言

　　自從有計(jì)算機(jī)以來(lái)，人們就希望計(jì)算機(jī)能夠?qū)W習(xí)。然而，機(jī)器學(xué)習(xí)真正取得實(shí)質(zhì)性進(jìn)展，能夠成功地解決一些實(shí)際問(wèn)題，并最終成為一個(gè)學(xué)科分支還是近20余年的事?！　?duì)于許多問(wèn)題，我們的前人和先行者已經(jīng)知道如何求解。例如，歐幾里德告訴我們可以用輾轉(zhuǎn)相除法求兩個(gè)整數(shù)的最大公約數(shù)；Dijkstra告訴我們?nèi)绾斡行У厍髢牲c(diǎn)之間的最短路徑；Hoare向我們展示了怎樣將雜亂無(wú)章的對(duì)象快速排序……對(duì)于這些問(wèn)題，我們清楚地知道求解步驟。因此，讓計(jì)算機(jī)求解這些問(wèn)題只需要設(shè)計(jì)算法和數(shù)據(jù)結(jié)構(gòu)、進(jìn)行編程，而不需要讓計(jì)算機(jī)學(xué)習(xí)?！　∵€有一些事情，人們可以輕而易舉地做好，但是卻無(wú)法解釋清楚我們是如何做的。例如，盡管桌子千差萬(wàn)別、用途各異，但是我們一眼就能看出某個(gè)物體是否是桌子；盡管不同的人的手寫阿拉伯?dāng)?shù)字大小不一、筆畫粗細(xì)不同，但是我們還是可以輕易識(shí)別一個(gè)數(shù)字是不是；盡管聲音時(shí)大時(shí)小、有時(shí)可能還有點(diǎn)沙啞，但是我們還是可以不費(fèi)力氣地聽出熟人的聲音。諸如此類的例子不勝枚舉。對(duì)于這些問(wèn)題，我們不知道求解步驟。因此，讓計(jì)算機(jī)來(lái)做這些事就需要讓計(jì)算機(jī)學(xué)習(xí)。　　我們知道桌子不是木材和各種材料的隨機(jī)堆砌，手寫數(shù)字不是像素的隨機(jī)分布，熟人的聲音也不是各種聲波的隨機(jī)混合。現(xiàn)實(shí)世界總是有規(guī)律的。機(jī)器學(xué)習(xí)正是從已知實(shí)例中自動(dòng)發(fā)現(xiàn)規(guī)律，建立對(duì)未知實(shí)例的預(yù)測(cè)模型；根據(jù)經(jīng)驗(yàn)不斷提高，不斷改進(jìn)預(yù)測(cè)性能?！　∵@是關(guān)于機(jī)器學(xué)習(xí)這一主題全面論述的教科書，適合作為高等院校計(jì)算機(jī)相關(guān)專業(yè)高年級(jí)本科生和研究生機(jī)器學(xué)習(xí)入門課程的教材。該書涵蓋了監(jiān)督學(xué)習(xí)、貝葉斯決策理論、參數(shù)方法、多元方法、維度歸約、聚類、非參數(shù)方法、決策樹、線性判別式、多層感知器、局部模型：隱馬爾可夫模型、分類算法評(píng)估和比較、組合多學(xué)習(xí)器以及增強(qiáng)學(xué)習(xí)。作者對(duì)來(lái)自統(tǒng)計(jì)學(xué)、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、人工智能、信號(hào)處理、控制和數(shù)據(jù)挖掘等不同領(lǐng)域的機(jī)器學(xué)習(xí)問(wèn)題和學(xué)習(xí)方法進(jìn)行了統(tǒng)一論述。

內(nèi)容概要

機(jī)器學(xué)習(xí)的目標(biāo)是對(duì)計(jì)算機(jī)編程，以便使用樣本數(shù)據(jù)或以往的經(jīng)驗(yàn)來(lái)解決給定的問(wèn)題。已經(jīng)有許多機(jī)器學(xué)習(xí)的成功應(yīng)用，包括分析以往銷售數(shù)據(jù)來(lái)預(yù)測(cè)客戶行為，人臉識(shí)別或語(yǔ)音識(shí)別，優(yōu)化機(jī)器人行為以便使用最少的資源來(lái)完成任務(wù)，以及從生物信息數(shù)據(jù)中提取知識(shí)的各種系統(tǒng)。為了對(duì)機(jī)器學(xué)習(xí)問(wèn)題和解進(jìn)行統(tǒng)一的論述，本書討論了機(jī)器學(xué)習(xí)在統(tǒng)計(jì)學(xué)、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)。人工智能。信號(hào)處理、控制和數(shù)據(jù)挖掘等不同領(lǐng)域的應(yīng)用。對(duì)所有學(xué)習(xí)算法都進(jìn)行了解釋，以便讀者可以容易地將書中的公式轉(zhuǎn)變?yōu)橛?jì)算機(jī)程序。本書可作為高等院校計(jì)算機(jī)相關(guān)專業(yè)高年級(jí)本科生和研究生的教材，也可供研究機(jī)器學(xué)習(xí)方法的技術(shù)人員參考?！　”緯鴮?duì)機(jī)器學(xué)習(xí)的定義和應(yīng)用實(shí)例進(jìn)行了介紹，涵蓋了監(jiān)督學(xué)習(xí)。貝葉斯決策理論。參數(shù)方法、多元方法、維度歸約、聚類、非參數(shù)方法、決策樹。線性判別式、多層感知器，局部模型、隱馬爾可夫模型。分類算法評(píng)估和比較，組合多學(xué)習(xí)器以及增強(qiáng)學(xué)習(xí)等。

作者簡(jiǎn)介

　　Ethem Alpaydin，是土耳其伊斯坦布爾博阿齊奇大學(xué)計(jì)算機(jī)工程系的教授。于1990年在洛桑聯(lián)邦理工學(xué)院獲博士學(xué)位，之后先后在美國(guó)麻省理工和伯克利大學(xué)工作和進(jìn)行博士后研究。Ethem博士主要從事機(jī)器學(xué)習(xí)方面的研究，是劍橋大學(xué)的《The Computer Journal》雜志編委和Elsevier

書籍目錄

出版者的話中文版序譯者序前言致謝符號(hào)表第1章  緒論　1.1　什么是機(jī)器學(xué)習(xí)　1.2　機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例  　1.2.1　學(xué)習(xí)關(guān)聯(lián)性　  1.2.2　分類　  1.2.3　回歸　  1.2.4　非監(jiān)督學(xué)習(xí)　  1.2.5　增強(qiáng)學(xué)習(xí)    1.3　注釋  1.4　相關(guān)資源  1.5　習(xí)題  1.6　參考文獻(xiàn)第2章  監(jiān)督學(xué)習(xí)　2.1　由實(shí)例學(xué)習(xí)類　2.2　VC維　2.3　概率逼近正確學(xué)習(xí)　2.4　噪聲　2.5　學(xué)習(xí)多類　2.6　回歸　2.7　模型選擇與泛化　2.8　監(jiān)督機(jī)器學(xué)習(xí)算法的維  　2.9　注釋　2.10　習(xí)題　2.11　參考文獻(xiàn)第3章  貝葉斯決策定理　3.1　引言　　3.2　分類　3.3　損失與風(fēng)險(xiǎn)　3.4　判別式函數(shù)　3.5　效用理論　3.6　信息值  　3.7　貝葉斯網(wǎng)絡(luò)　3.8　影響圖  　3.9　關(guān)聯(lián)規(guī)則　3.10　注釋　3.11　習(xí)題　3.12　參考文獻(xiàn)第4章  參數(shù)方法  4.1　引言  4.2　最大似然估計(jì)  　4.2.1　伯努利密度　  4.2.2　多項(xiàng)密度　  4.2.3　高斯（正態(tài)）密度　4.3　評(píng)價(jià)估計(jì)：偏倚和方差  　4.4　貝葉斯估計(jì)　4.5　參數(shù)分類　4.6　回歸　4.7　調(diào)整模型的復(fù)雜度：偏倚／方差兩難選擇　4.8　模型選擇過(guò)程　4.9　注釋　4.10　習(xí)題　4.11　參考文獻(xiàn)第5章  多元方法　5.1　多元數(shù)據(jù)　5.2　參數(shù)估計(jì)　5.3　缺失值估計(jì)　5.4　多元正態(tài)分布　5.5　多元分類……第6章　維度旭納第7章　聚類第8章　非參數(shù)方法第9章　決策樹第10章　線性判別式第11章　多層感知器第12章　局部模型　第13章　隱馬爾可夫模型　第14章　分類算法評(píng)估和比較第15章　組合多學(xué)習(xí)器第16章　增強(qiáng)學(xué)習(xí)

章節(jié)摘錄

　　第1章　緒論　　1.1　什么是機(jī)器學(xué)習(xí)　　隨著計(jì)算機(jī)技術(shù)的發(fā)展，我們現(xiàn)在已經(jīng)擁有存儲(chǔ)和處理海量數(shù)據(jù)以及通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)從遠(yuǎn)程站點(diǎn)訪問(wèn)數(shù)據(jù)的能力。目前大多數(shù)的數(shù)據(jù)存取設(shè)備都是數(shù)字設(shè)備，記錄的數(shù)據(jù)也很可靠。以一家連鎖超市為例，它擁有遍布全國(guó)各地的數(shù)百家分店，并且在為數(shù)百萬(wàn)顧客提供數(shù)千種商品的零售服務(wù)。銷售點(diǎn)的終端設(shè)備記錄每筆交易的詳細(xì)資料，包括日期、顧客識(shí)別碼、購(gòu)買商品和數(shù)量、消費(fèi)總額等。這是典型的每日幾個(gè)一字節(jié)的數(shù)據(jù)。只有分析這些數(shù)據(jù)，并且將它轉(zhuǎn)換為可以利用的信息時(shí)，這些存儲(chǔ)的數(shù)據(jù)才能變得有用，例如做預(yù)測(cè)?！　∥覀儾荒艽_切地知道哪些人比較傾向于購(gòu)買哪種特定的商品，也不知道應(yīng)該向喜歡讀海明威作品的人推薦哪位作者。如果我們知道，我們就不需要任何數(shù)據(jù)分析；我們只管供貨并記錄下編碼就可以了。但是，正因?yàn)槲覀儾恢?，所以才只能收集?shù)據(jù)，并期望從數(shù)據(jù)中提取這些問(wèn)題或相似問(wèn)題的答案?！　∥覀兇_信存在某種過(guò)程，可以解釋我們所觀測(cè)到的數(shù)據(jù)。盡管我們不清楚數(shù)據(jù)產(chǎn)生過(guò)程（例如顧客行為）的細(xì)節(jié)，但是，我們知道數(shù)據(jù)產(chǎn)生不是完全隨機(jī)的。人們并不是去超市隨機(jī)購(gòu)買商品。當(dāng)人們買啤酒時(shí)，也會(huì)買薯片；夏天買冰淇淋，而冬天則為Gltthwein買香料。數(shù)據(jù)中存在確定的模式。

圖書封面

圖書標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    機(jī)器學(xué)習(xí)導(dǎo)論 PDF格式下載

---