周志华
周志华(1973年11月-),出生于广东广州,毕业于南京大学,欧洲科学院院士,现任南京大学计算机系主任兼人工智能学院院长、计算机软件新技术国家重点实验室常务副主任、校学术委员。 2000年,南京大学计算机科学与技术系毕业留校任教。2003年,获国家杰出青年科学基金,随后被聘为教授。2016年,当选 ACM Fellow、AAAI Fellow和 AAAS Fellow。2017 年,当选欧洲科学院院士。2018年起,任南京大学计算机科学与技术系主任兼人工智能学院院长。2021年8月1日,中国科学院公布2021年中国科学院院士增选初步候选人名单,周志华在列。曾获国家自然科学二等奖 2 项、教育部自然科学一等奖 3 项等奖项。
机器学习
103人今日阅读 推荐值 87.7%
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 周志华老师新作 西瓜书进阶篇
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。
AI人才系统能力培养必读 机器学习理论导引 智能计算系统 套装共2册
《机器学习理论导引》: 《机器学习理论导引》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。 《机器学习理论导引》可作为高等院校人工智能、计算机、自动化等相关专业机器学习理论课程的教材,也可供对机器学习理论感兴趣的研究人员阅读参考。 《智能计算系统/计算机类专业系统能力培养系列教材》: 《智能计算系统/计算机类专业系统能力培养系列教材》通过一个贯穿始终的应用案例——图像风格迁移,全面系统地介绍智能计算系统的软硬件技术栈。首先概述人工智能和智能计算系统(第1章);接下来介绍完成应用所必要的神经网络和深度学习算法知识(第2、3章);然后介绍支撑算法在智能芯片上运行的编程框架(第4、5章);再往下是智能芯片,即引导学生设计一款满足图像风格迁移应用需求的深度学习处理器(第6、7章);接下来介绍如何利用智能编程语言BCL提升编写智能算法的生产效率(第8章);最后以具体实验把所学知识点串联起来,打通知识结构的“任督二脉”(第9章)。 《智能计算系统/计算机类专业系统能力培养系列教材》由中科院计算所、软件所的专家学者倾心写就,领衔作者陈云霁带领的团队曾研制了国际上深度学习处理器芯片“寒武纪1号”,《智能计算系统/计算机类专业系统能力培养系列教材》凝聚了作者团队多年的科研和教学成果,填补了人工智能专业系统类课程的教材空白,适合作为高等院校人工智能及相关专业的教材。
神经网络及其应用
本书特别邀请国内神经网络及相关领域的知名专家,分别对神经网络的理论基础及典型应用进行了讨论。内容涉及神经网络的学习方法、优化计算、知识理论、流形学习、过程神经元网络、随机二元网络、离散联想记忆神经网络以及神经网络在医学数据处理、汉语认知等方面的应用。文中通过丰富的文献资料和研究工作,对当前的最新进展做出回顾和分析,对学术研究有重要的参考价值。 本书适合计算机和自动化专业的研究生、教师、工程技术人员和研究人员参考。
从机器学习到分布式机器学习
《分布式机器学习:算法、理论与实践》本书旨在全面介绍分布式机器学习的现状,深入分析其中的核心技术问题,并且讨论该领域未来的发展方向。 全书共12章。第1章是绪论,向大家展示分布式机器学习这个领域的全景。第2章介绍机器学习的基础知识。第3章到第8章是本书的核心部分,向大家细致地讲解分布式机器学习的框架及其各个功能模块。其中第3章给出整个分布式机器学习框架的综述,而第4章到第8章则分别针对其中的数据与模型划分模块、单机优化模块、通信模块、数据与模型聚合模块加以介绍。接下来的三章是对前面内容的总结与升华。其中第9章介绍由分布式机器学习框架中不同选项所组合出来的各式各样的分布式机器学习算法,第10章讨论这些算法的理论性质,第11章则介绍几个主流的分布式机器学习系统(包括Spark MLlib 迭代式MapReduce系统,Multiverso参数服务器系统,TensorFlow数据流系统)。最后的第12章是全书的结语,在对全书内容进行简要总结之后,着重讨论分布式机器学习这个领域未来的发展方向。 本书基于微软亚洲研究院机器学习研究团队多年的研究成果和实践经验写成,既可以作为研究生从事分布式机器学习方向研究的参考文献,也可以作为人工智能从业者进行算法选择和系统设计的工具书。 人工智能大潮中,市场上已有许多机器学习书籍,但是分布式机器学习的专门书籍还很少见。本书是希望学习和了解分布式机器学习的读者的福音。 《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。
人工智能与大数据(卷1):基础概念和模型
本书介绍了人工智能和大数据涉及的核心概念和模型。书中涉及概念包括监督和非监督学习、数据类型、可视化、线性回归、逻辑回归、分类回归树、神经网络等。同时,本书理论和实际并重,基于真实的实例和数据集,引入了R语言演示实际计算和操作,为读者展示解决实际问题的代码,从而让读者掌握在实际生活中解决相关问题的方法。本书适合想要综合学习人工智能、大数据和数据科学,尤其是想要依靠这些学科解决实际问题的人学习,也适合作为相关课程的参考教材。
机器学习四册 集成学习基础与算法 机器学习理论导引 机器学习 演化学习理论与算法进展
《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。
大数据分析研究进展
大数据是推动创新型国家建设的重要战略资源。本书从机器学习、可视分析、知识处理、数据挖掘等角度出发,详细讨论了大数据分析的相关基础理论和技术方法,主要包括:大数据机器学习理论与方法,大数据可视分析理论与方法,多源不确定数据挖掘方法与技术,自动深层化知识处理方法与技术,大数据分析平台、标准与应用示范等。本书总结了部分代 表性工作,并呈现给读者。
中国二十四节气
作为中华传统文化的重要载体,千百年来,二十四节气之所以能够指导人们的生产和生活,其奥秘就在于解释了天、地、人之间的规律。现代科学中的天文学、地理学、气候学、生物学、农学、营养学等内容,都能在二十四节气中找到对应的解释。二十四节气是一部包罗万象的科学宝典。 本书以科研工作者的视角解读传统的节气文化,在勾画二十四节气文化之美、历史之美、风俗之美、艺术之美的基础上,更增添了科学之美,展现了传统文化独特的科学魅力。本书系统梳理了二十四节气涉及的天文学、地理学、生物学、农学、哲学、社会学、民俗学等学科的知识,配以精心选择的节气图片,让读者在轻松阅读中了解二十四节气蕴含的博大智慧,从一个新的视角更好地认识和传承中国优秀传统文化。
机器学习及其应用2007
机器学习是人工智能的一个核心研究领域,也是近年来计算机科学中最活跃的研究分支之一。目前,机器学习技术不仅在计算机科学的众多领域中大显身手,还成为一些交叉学科的重要支撑技术。本书邀请相关领域的专家撰文,以综述的形式介绍机器学习中一些领域的研究进展。全书共分13章,内容涉及高维数据降维、特征选择、支持向量机、聚类、强化学习、半监督学习、复杂网络、异构数据、商空间、距离度量以及机器学习在自然语言处理中的应用等。 本书可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。
集成学习:基础与算法 周志华教授专著森林书 机器学习之利器 (博文视点出品)
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。