微信读书书城机器学习公式详解（第2版）

机器学习公式详解（第2版）谢文睿秦州贾彬彬

微信读书推荐值

评分不足

5人点评

推荐

一般

不行

推荐

一般

不行

推荐

一般

不行

推荐

一般

不行

推荐(4)

一般(0)

不行(1)

阅读

469人

电子书

会员卡可读

字数

11.4万字

简介

周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书是《机器学习公式详解》（俗称“南瓜书”）的第2 版。相较于第1 版，本书对“西瓜书”中除了公式以外的重、难点内容加以解析，以过来人视角给出学习建议，旨在对比较难理解的公式和重点内容扩充具体的例子说明，以及对跳步过大的公式补充具体的推导细节。全书共16 章，与“西瓜书”章节、公式对应，每个公式的推导和解释都以本科数学基础的视角进行讲解，希望能够帮助读者快速掌握各个机器学习算法背后的数学原理。本书思路清晰，视角独特，结构合理，可作为高等院校计算机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

机器学习公式详解（第2版）

谢文睿秦州贾彬彬

扉页
版权信息
+书签
内容提要
序
前言
主要符号表
第1章绪论
1.1 引言
1.2 基本术语
1.3 假设空间
1.4 归纳偏好
第2章模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.3 性能度量
2.4 比较检验
2.5 偏差与方差
第3章线性模型
3.1 基本形式
3.2 线性回归
3.3 对率回归
3.4 线性判别分析
3.5 多分类学习
3.6 类别不平衡问题
第4章决策树
4.1 基本流程
4.2 划分选择
4.3 剪枝处理
4.4 连续值与缺失值
4.5 多变量决策树
第5章神经网络
5.1 神经元模型
5.2 感知机与多层网络
5.3 误差逆传播算法
5.4 全局最小与局部极小
5.5 其他常见神经网络
5.6 深度学习
第6章支持向量机
6.1 间隔与支持向量
6.2 对偶问题
6.3 核函数
6.4 软间隔与正则化
6.5 支持向量回归
6.6 核方法
第7章贝叶斯分类器
7.1 贝叶斯决策论
7.2 极大似然估计
7.3 朴素贝叶斯分类器
7.4 半朴素贝叶斯分类器
7.5 贝叶斯网
7.6 EM算法
第8章集成学习
8.1 个体与集成
8.2 Boosting
8.3 Bagging与随机森林
8.4 结合策略
8.5 多样性
8.6 Gradient Boosting、GBDT、XGBoost的联系与区别
第9章聚类
9.1 聚类任务
9.2 性能度量
9.3 距离计算
9.4 原型聚类
9.5 密度聚类
9.6 层次聚类
第10章降维与度量学习
10.1 预备知识
10.2 矩阵的□范数与迹
10.3 □近邻学习
10.4 低维嵌入
10.5 主成分分析
10.6 核化线性降维
10.7 流形学习
10.8 度量学习
第11章特征选择与稀疏学习
11.1 子集搜索与评价
11.2 过滤式选择
11.3 包裹式选择
11.4 嵌入式选择与□正则化
11.5 稀疏表示与字典学习
11.6 压缩感知
第12章计算学习理论
12.1 基础知识
12.2 PAC学习
12.3 有限假设空间
12.4 VC维
12.5 Rademacher复杂度
12.6 定理12.6的解释
12.7 稳定性
第13章半监督学习
13.1 未标记样本
13.2 生成式方法
13.3 半监督SVM
13.4 图半监督学习
13.5 基于分歧的方法
13.6 半监督聚类
第14章概率图模型
14.1 隐马尔可夫模型
14.2 马尔可夫随机场
14.3 条件随机场
14.4 学习与推断
14.5 近似推断
14.6 话题模型
第15章规则学习
15.1 剪枝优化
15.2 归纳逻辑程序设计
第16章强化学习
16.1 任务与奖赏
16.2 □-摇臂赌博机
16.3 有模型学习
16.4 免模型学习
16.5 值函数近似

简介

版权

机器学习公式详解（第2版）