機器學習方法

內容概要

本書比較全面系統(tǒng)地介紹了機器學習的方法和技術，不僅詳細闡述了許多經典的學習方法，還討論了一些有生命力的新理論、新方法。全書共分為13章，分別介紹了機器學習的基本概念、最近鄰規(guī)則、貝葉斯學習、決策樹、基于事例推理的學習、關聯(lián)規(guī)則學習、神經網絡、支持向量機、遺傳算法、集成學習、糾錯輸出編碼、聚類分析、強化學習。各章對原理的敘述力求概念清晰、表達準確，突出理論聯(lián)系實際，富有啟發(fā)性，易于理解。　　本書可作為高等院校計算機、自動化、電子和通信等專業(yè)研究生和高年級本科生的教材和參考書。本書內容對從事人工智能、機器學習、數(shù)據(jù)挖掘、模式識別等相關領域研究的科技人員具有較好的參考價值。

書籍目錄

第1章　緒論  1.1　機器學習概念  1.2　機器學習系統(tǒng)    1.2.1　學習系統(tǒng)模型    1.2.2　機器學習系統(tǒng)結構  1.3　機器學習方法分類    1.3.1　監(jiān)督學習    1.3.2　非監(jiān)督學習    1.3.3　強化學習  1.4　一般性定理與規(guī)則    1.4.1　大多數(shù)原則    1.4.2　奧卡姆剃刀原理    1.4.3　無免費午餐定理  1.5　學習算法的評價    1.5.1　最短描述長度    1.5.2　預測精度分析    1.5.3　交叉驗證法  1.6　本書各章概要第2章　最近鄰規(guī)則  2.1　最近鄰分類    2.1.1  k-NN規(guī)則的思想    2.1.2  k-NN的距離度量    2.1.3  k-NN算法應用示例  2.2  k-NN算法的缺陷及其改進    2.2.1  k-NN算法的計算復雜度    2.2.2　降維法      2.2.3　預建結構法    2.2.4　訓練集裁減法第3章　貝葉斯學習  3.1　概率論基礎    3.1.1　隨機事件    3.1.2　事件間的關系與運算    3.1.3　概率的定義與性質    3.1.4　統(tǒng)計概率    3.1.5　條件概率    3.1.6　概率密度    3.1.7　正態(tài)分布  3.2　貝葉斯定理  3.3　貝葉斯定理和概念學習  3.4　極大似然和最小誤差平方假設  3.5　貝葉斯最優(yōu)分類器  3.6　簡單貝葉斯分類器  3.7　貝葉斯網絡    3.7.1　貝葉斯網絡基本概念    3.7.2　因果關系網    3.7.3　貝葉斯網絡    3.7.4　聯(lián)合概率    3.7.5　D分離    3.7.6　貝葉斯網絡的推理模式  3.8　主觀貝葉斯方法    3.8.1　規(guī)則的不確定性    3.8.2　證據(jù)的不確定性    3.8.3　推理計算  3.9　貝葉斯學習的優(yōu)缺點第4章　決策樹  4.1　決策樹的創(chuàng)建    4.1.1　分而治之的思想    4.1.2　決策樹生成算法  4.2　分枝劃分標準    4.2.1　測試條件    4.2.2　直接劃分法    4.2.3　信息熵增益    4.2.4　增益比    4.2.5　Gini系數(shù)    4.2.6　最短距離劃分    4.2.7　最短描述長度  4.3　連續(xù)屬性離散化　　……第5章　基于事例推理的學習第6章　關聯(lián)規(guī)則學習第7章　神經網絡第8章　支持向量機第9章　遺傳算法第10章　集成學習第11章　基于糾錯編碼的機器學習第12章　聚類分析第13章　強化學習附錄A　數(shù)據(jù)集描述參考文獻

章節(jié)摘錄

第1章 緒論1.5 學習算法的評價評價學習算法優(yōu)劣最常用的標準有：預測精度（泛化能力）、學習與分類速度、可理解性。在精度方面，幾乎所有的應用領域都希望預測精度越高越好，因此提高泛化能力是人們永遠的追求。在速度方面，人們總是希望處理速度越快越好，尤其是大規(guī)模監(jiān)督學習問題，學習或分類速度太慢的算法很難投入使用，加快處理速度也是人們永遠的追求。分類器的可理解性是指，學習后得到的分類器的行為是否能夠被用戶理解。由于學習系統(tǒng)只是一種輔助手段，最終的決策還要由用戶來做，因此，可理解性強的分類器一般更容易被用戶接受。在實際應用中，分類器很難在這三個方面都表現(xiàn)突出，例如，利用BP神經網絡算法獲得的分類器預測精度高，分類速度也很快，但其訓練過程慢，而且可理解性也很差。因此，用戶常常需要在這三個方面之間進行權衡，以便更好地滿足應用需求。下面我們對分類器的常用評價方法進行簡單介紹。1.5.1 最短描述長度最短描述長度準則（MinimumDescriptionLengthPrinciple，MDLP）是1983年由Rissanen首先提出的（Rissanenl983），并應用于字符串的隨機復雜性研究（Rissanen1986）。Quinlan和Rivest將MDLP用于決策樹的創(chuàng)建（Quinlah1989）。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    機器學習方法 PDF格式下載

---