📕书籍信息
- 书名:机器学习
- 作者:周志华
- 豆瓣评分:⭐8.6
- 出版社:清华大学出版社
- isbn:9787302423287
- 出版日期:2016-1-1
- 价格:88.00元
- 豆瓣:机器学习
🌵内容简介
【编辑推荐】:
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。为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。
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。前3章之外的后…
📣听过的人说…
- 🌞: 内容很全面,涵盖了绝大多数热门算法与模型。可惜讲的太过粗糙,没有完整的数学推导,不适合没有基础的人看。比起教科书更像是本“导读”。用作梳理知识点,准备面试还是不错的。
- 👻: 手撕SVM,数据挖掘面试必备
- 👽: 作为教材其实需要具备三个条件:印刷排版好,语言表达好,逻辑思路好。从这三点来说,这本书都完胜李航教授的《统计学习方法》,是一本非常值得推荐给机器学习入门者梳理知识以及机器学习从业者温故知新的书。希望周老师的下本书可以增加一些自己对于模型本身的思考和理解,那一定会更受欢迎。
📑书籍章节
- 序言
- 前言
- 如何使用本书 ——写在第十次印刷之际
- 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
- 1.5 发展历程
- 1.6 应用现状
- 1.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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
- 2.6 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 第3章 线性模型
- 3.1 基本形式
- 3.2 线性回归
- 3.3 对数几率回归
- 3.4 线性判别分析
- 3.5 多分类学习
- 3.6 类别不平衡问题
- 3.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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 连续与缺失值
- 4.5 多变量决策树
- 4.6 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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
- 5.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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
- 6.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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
- 7.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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
- 9.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 第10章 降维与度量学习
- 10.1 k近邻学习
- 10.2 低维嵌入
- 10.3 主成分分析
- 10.4 归纳偏好
- 10.5 流形学习
- 10.6 度量学习
- 10.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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L1正则化
- 11.5 稀疏表示与字典学习
- 11.6 压缩感知
- 11.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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 稳定性
- 12.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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
- 13.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 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
- 14.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 第15章 规则学习
- 15.1 基本概念
- 15.2 序贯覆盖
- 15.3 剪枝优化
- 15.4 一阶规则学习
- 15.5 归纳逻辑程序设计
- 15.6 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 第16章 强化学习
- 16.1 任务与奖赏
- 16.2 K-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
- 16.6 模仿学习
- 16.7 阅读材料
- 习题
- 参考文献
- 休息一会儿
- 附录
- A 矩阵
- B 优化
- C 概率分布
- 后记
⏏️必读理由
**深入了解机器学习:周志华的经典之作**
**详细具体:**《机器学习》是一本全面而深入的入门教材,涵盖了机器学习领域的基础知识和经典方法。作者周志华在书中尽可能减少了对数学知识的依赖,使得即使是对数学不太熟悉的读者也能轻松理解。书籍分为三个部分,首先介绍了机器学习的基础知识,然后深入讨论了一系列常用的机器学习方法,最后涉及了一些进阶的主题,如半监督学习和强化学习。每一章节都结合了理论和实践,为读者提供了全面而实用的学习材料。
**关联读者需求:**这本书特别适合大学三年级以上的理工科本科生和研究生,以及对机器学习感兴趣的人士。对于那些想要从事机器学习研究或应用的人来说,这本书提供了一个很好的起点。即使读者没有太多的数学背景,也能够通过本书系统地学习机器学习的基本概念和方法。
**引人注目的标题:**探索机器学习的世界:周志华的经典之作
**类似推荐:**如果你对《机器学习》这样的全面入门书籍感兴趣,你可能也会喜欢 Michael Nielsen 的《Neural Networks and Deep Learning》,它深入浅出地介绍了神经网络和深度学习的基础知识,适合初学者和进阶者。
评论(0)