微信读书

《演化学习理论与算法进展》 演化学习利用演化算法求解机器学习中的复杂优化问题， 在实践中取得了许多成功， 但因其缺少坚实的理论基础， 在很长时期内未获得机器学习社区的广泛接受. 本书主要内容为三位作者在这个方向上过去二十年中主要工作的总结.全书共18 章， 分为四个部分： 第一部分(第1～2 章) 简要介绍演化学习和一些关于理论研究的预备知识; 第二部分(第3～6章) 介绍用于分析运行时间复杂度和逼近能力这两个演化学习的基本理论性质的通用工具; 第三部分(第7～12 章) 介绍演化学习关键因素对算法性能影响的一系列理论结果， 包括交叉算子、解的表示、非精确适应度评估、种群的影响等; 第四部分(第13～18 章) 介绍一系列基于理论结果启发的具有一定理论保障的演化学习算法.本书适合对演化学习感兴趣的研究人员、学生和实践者阅读. 书中第二部分内容或可为有兴趣进一步探索演化学习理论基础的读者提供分析工具， 第三部分内容或有助于读者进一步理解演化学习过程并为新算法设计提供启发， 第四部分内容或可为读者解决一些现实机器学习问题提供新的算法方案. 《机器学习》 机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。 《机器学习理论导引》 机器学习领域著名学者周志华教授领衔的南京大学LAMDA团队四位教授合著 系统梳理机器学习理论中的七大重要概念或理论工具，并给出若干分析实例 机器学习理论内容浩瀚广博，旨在为机器学习理论研究的读者提供入门导引 本书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界。 除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。 《集成学习基础与算法》 集成学习方法是一类先进的机器学习方法，这类方法训练多个学习器并将它们结合起来解决一个问题，在实践中获得了巨大成功。 《集成学习：基础与算法》分为三部分。第一部分主要介绍集成学习的背景知识；第二部分主要介绍集成学习方法的核心知识，包括Boosting、Bagging、Random Forests 等经典算法，平均、投票和Stacking 等模型和方法、相关理论分析工作，以及多样性度量和增强方面的进展；第三部分介绍集成学习方法的进阶议题，包括集成修剪、聚类集成和集成学习方法在半监督学习、主动学习、代价敏感学习、类别不平衡学习及提升可理解性方面的进展。此外，《集成学习：基础与算法》还在每章的“拓展阅读”部分提供了相关的进阶内容。