机器学习-智造书屋

机器学习是计算机科学的重要分支领域，该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。

作者：周志华

出版社：清华大学出版社

出版时间： 2016-01-01

定价：~~￥108.00~~

京东价：￥79.00

购买

作者简介

周志华，南京大学计算机系教授ACM杰出科学家，IEEE Fellow,IAPR Fellow, IET/EE Fellow, 中国计算机学会会士。国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任，中国人工智能学会机器学习专业委员会主任，IEEE计算智能学会数据挖掘技术委员会副主席。

图书点击排行榜
周榜
月榜

1ANSYS 13.0与HyperMesh 11.0联合仿真有限元分析 2UG NX 7.5基础应用与范例解析第3版 3ANSYS 14.0工程实例解析与常见问题解答 42017（第二届）工业软件与制造业融合发展高峰论坛论文集 5AutoCAD 2013机械设计与工程应用从入门到精通 6开目3DCAPP三维装配工艺设计基础教程 7PowerMILL多轴数控加工编程实例与技巧 8UG NX 7.5完全自学手册 9ANSYS 14.0理论解析与工程应用实例 10UG NX 8.0中文版数字样机技术及其应用实例（入门与提高）

1ANSYS 13.0与HyperMesh 11.0联合仿真有限元分析 2UG NX 7.5基础应用与范例解析第3版 32017（第二届）工业软件与制造业融合发展高峰论坛论文集 4ANSYS 14.0工程实例解析与常见问题解答 5ANSYS 14.0理论解析与工程应用实例 6AutoCAD 2013机械设计与工程应用从入门到精通 7开目3DCAPP三维装配工艺设计基础教程 8PowerMILL多轴数控加工编程实例与技巧 9UG NX 7.5完全自学手册 10UG NX 8.0中文版数字样机技术及其应用实例（入门与提高）

新书抢先读: • 数字孪生技术与工程实践; • 半导体微缩图形化与下一代光刻技术精讲; • 机器学习; • 与AI对话：ChatGPT提示工程揭秘; • 图解入门半导体元器件精讲; • AI安全：技术与实战; • 数字化时代工业通信与识别技术和应用; • 先进制造技术导论（第二版）; • 飞机装配技术; • 储能系统集成技术与工程实践

绪论: • 第一节引言; • 第二节基本术语; • 第三节假设空间; • 第四节归纳偏好; • 第五节发展历程; • 第六节应用现状; • 第七节阅读材料

模型评估与选择: • 第一节经验误差与过拟合; • 第二节评估方法; • 第三节性能度量; • 第四节比较检验; • 第五节偏差与方差; • 第六节阅读材料

线性模型: • 第一节基本形式; • 第二节线性回归; • 第三节对数几率回归; • 第四节线性判别分析; • 第五节多分类学习; • 第六节类别不平衡问题; • 第七节阅读材料

决策树: • 第一节基本流程; • 第二节划分选择; • 第三节剪枝处理; • 第四节连续与缺失值; • 第五节多变量决策树; • 第六节阅读材料

神经网络: • 第一节神经元模型; • 第二节感知机与多层网络; • 第三节误差逆传播算法; • 第四节全局最小与局部极小; • 第五节其他常见神经网络; • 第六节深度学习; • 第七节阅读材料

支持向量机: • 第一节间隔与支持向量; • 第二节对偶问题; • 第三节核函数; • 第四节软间隔与正则化; • 第五节支持向量回归; • 第六节核方法; • 第七节阅读材料

贝叶斯分类器: • 第一节贝叶斯决策论; • 第二节极大似然估计; • 第三节朴索贝叶斯分类器; • 第四节半朴素贝叶斯分类器; • 第五节贝叶斯网; • 第六节 EM算法; • 第七节阅读材料

集成学习: • 第一节个体与集成; • 第二节 Boosting; • 第三节 Bagging与随机森林; • 第四节结合策略; • 第五节多样性; • 第六节阅读材料

聚类: • 第一节聚类任务; • 第二节性能度量; • 第三节距离计算; • 第四节原型聚类; • 第五节密度聚类; • 第六节层次聚类; • 第七节阅读材料

降维与度量学习: • 第一节 k近邻学习; • 第二节低维嵌入; • 第三节主成分分析; • 第四节核化线性降维; • 第五节流形学习; • 第六节度量学习; • 第七节阅读材料

特征选择与稀疏学习: • 第一节子集搜索与评价; • 第二节过滤式选择; • 第三节包裹式选择; • 第四节嵌入式选择与L$_1$正则化; • 第五节稀疏表示与字典学习; • 第六节压缩感知; • 第七节阅读材料

计算学习理论: • 第一节基础知识; • 第二节 PAC学习; • 第三节有限假设空间; • 第四节 VC维; • 第五节 Rademacher复杂度; • 第六节稳定性; • 第七节阅读材料

半监督学习: • 第一节未标记样本; • 第二节生成式方法; • 第三节半监督SVM; • 第四节图半监督学习; • 第五节基于分歧的方法; • 第六节半监督聚类; • 第七节阅读材料

概率图模型: • 第一节隐马尔可夫模型; • 第二节马尔可夫随机场; • 第三节条件随机场; • 第四节学习与推断; • 第五节近似推断; • 第六节话题模型; • 第七节阅读材料

规则学习: • 第一节基本概念; • 第二节序贯覆盖; • 第三节剪枝优化; • 第四节一阶规则学习; • 第五节归纳逻辑程序设计; • 第六节阅读材料

强化学习: • 第一节任务与奖赏; • 第二节 $K$-摇臂赌博机; • 第三节有模型学习; • 第四节免模型学习; • 第五节值函数近似; • 第六节模仿学习; • 第七节阅读材料

机器学习

作者简介

系列微信

旗下机构

旗下其他网站

特色服务