机器学习+神经网络与深度学习（套装共2册） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

吴岸城，周志华 著

图书标签:

• 机器学习
• 神经网络
• 深度学习
• 人工智能
• 算法
• Python
• 数据科学
• 模式识别
• 模型
• 技术

出版社： 电子工业出版社 ，

ISBN：12085224

版次：1

商品编码：12085224

包装：平装

开本：32开

出版时间：2016-01-01

用纸：胶版纸

套装数量：2

编辑推荐

　　《机器学习》：

　　内容全面；结构合理；叙述清楚；深入浅出。人工智能领域中文的开山之作！

　　这是一本面向中文读者的机器学习教科书, 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,

　　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.

内容简介

　　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。

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/IEE 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。

目录

《机器学习》：

目录

第1章 1
1.1 引言 1
1.2 基本术 2
1.3 假设空间 4
1.4 归纳偏好 6
1.5 发展历程 10
1.6 应用现状 13
1.7 阅读材料 16
习题 19
参考文献 20
休息一会儿 22
第2章 模型评估与选择 23
2.1 经验误差与过拟合 23
2.2 评估方法 24
2.2.1 留出法 25
2.2.2 交叉验证法 26
2.2.3 自助法 27
2.2.4 调参与最终模型 28
2.3 性能度量 28
2.3.1 错误率与精度 29
2.3.2 查准率、查全率与F1 30
2.3.3 ROC与AUC 33
2.3.4 代价敏感错误率与代价曲线 35
2.4 比较检验 37
2.4.1 假设检验 37
2.4.2 交叉验证t检验 40
2.4.3 McNemar检验 41
2.4.4 Friedman检验与后续检验 42
2.5 偏差与方差 44
2.6 阅读材料 46
习题 48
参考文献 49
休息一会儿 51
第3章 线性模型 53
3.1 基本形式 53
3.2 线性回归 53
3.3 对数几率回归 57
3.4 线性判别分析 60
3.5 多分类学习 63
3.6 类别不平衡问题 66
3.7 阅读材料 67
习题 69
参考文献 70
休息一会儿 72
第4章 决策树 73
4.1 基本流程 73
4.2 划分选择 75
4.2.1 信息增益 75
4.2.2 增益率 77
4.2.3 基尼指数 79
4.3 剪枝处理 79
4.3.1 预剪枝 80
4.3.2 后剪枝 82
4.4 连续与缺失值 83
4.4.1 连续值处理 83
4.4.2 缺失值处理 85
4.5 多变量决策树 88
4.6 阅读材料 92
习题 93
参考文献 94
休息一会儿 95
第5章 神经网络 97
5.1 神经元模型 97
5.2 感知机与多层网络 98
5.3 误差逆传播算法 101
5.4 全局最小与局部极小 106
5.5 其他常见神经网络 108
5.5.1 RBF网络 108
5.5.2 ART网络 108
5.5.3 SOM网络 109
5.5.4 级联相关网络 110
5.5.5 Elman网络 111
5.5.6 Boltzmann机 111
5.6 深度学习 113
5.7 阅读材料 115
习题 116
参考文献 117
休息一会儿 120
第6章 支持向量机 121
6.1 间隔与支持向量 121
6.2 对偶问题 123
6.3 核函数 126
6.4 软间隔与正则化 129
6.5 支持向量回归 133
6.6 核方法 137
6.7 阅读材料 139
习题 141
参考文献 142
休息一会儿 145
第7章 贝叶斯分类器 147
7.1 贝叶斯决策论 147
7.2 极大似然估计 149
7.3 朴素贝叶斯分类器 150
7.4 半朴素贝叶斯分类器 154
7.5 贝叶斯网 156
7.5.1 结构 157
7.5.2 学习 159
7.5.3 推断 161
7.6 EM算法 162
7.7 阅读材料 164
习题 166
参考文献 167
休息一会儿 169
第8章 集成学习 171
8.1 个体与集成 171
8.2 Boosting 173
8.3 Bagging与随机森林 178
8.3.1 Bagging 178
8.3.2 随机森林 179
8.4 结合策略 181
8.4.1 平均法 181
8.4.2 投票法 182
8.4.3 学习法 183
8.5 多样性 185
8.5.1 误差--分歧分解 185
8.5.2 多样性度量 186
8.5.3 多样性增强 188
8.6 阅读材料 190
习题 192
参考文献 193
休息一会儿 196
第9章 聚类 197
9.1 聚类任务 197
9.2 性能度量 197
9.3 距离计算 199
9.4 原型聚类 202
9.4.1 k均值算法 202
9.4.2 学习向量量化 204
9.4.3 高斯混合聚类 206
9.5 密度聚类 211
9.6 层次聚类 214
9.7 阅读材料 217
习题 220
参考文献 221
休息一会儿 224
第10章 降维与度量学习 225
10.1 k近邻学习 225
10.2 低维嵌入 226
10.3 主成分分析 229
10.4 核化线性降维 232
10.5 流形学习 234
10.5.1 等度量映射 234
10.5.2 局部线性嵌入 235
10.6 度量学习 237
10.7 阅读材料 240
习题 242
参考文献 243
休息一会儿 246
第11章 特征选择与稀疏学习 247
11.1 子集搜索与评价 247
11.2 过滤式选择 249
11.3 包裹式选择 250
11.4 嵌入式选择与L$_1$正则化 252
11.5 稀疏表示与字典学习 254
11.6 压缩感知 257
11.7 阅读材料 260
习题 262
参考文献 263
休息一会儿 266
第12章 计算学习理论 267
12.1 基础知识 267
12.2 PAC学习 268
12.3 有限假设空间 270
12.3.1 可分情形 270
12.3.2 不可分情形 272
12.4 VC维 273
12.5 Rademacher复杂度 279
12.6 稳定性 284
12.7 阅读材料 287
习题 289
参考文献 290
休息一会儿 292
第13章 半监督学习 293
13.1 未标记样本 293
13.2 生成式方法 295
13.3 半监督SVM 298
13.4 图半监督学习 300
13.5 基于分歧的方法 304
13.6 半监督聚类 307
13.7 阅读材料 311
习题 313
参考文献 314
休息一会儿 317
第14章 概率图模型 319
14.1 隐马尔可夫模型 319
14.2 马尔可夫随机场 322
14.3 条件随机场 325
14.4 学习与推断 328
14.4.1 变量消去 328
14.4.2 信念传播 330
14.5 近似推断 331
14.5.1 MCMC采样 331
14.5.2 变分推断 334
14.6 话题模型 337
14.7 阅读材料 339
习题 341
参考文献 342
休息一会儿 345
第15章 规则学习 347
15.1 基本概念 347
15.2 序贯覆盖 349
15.3 剪枝优化 352
15.4 一阶规则学习 354
15.5 归纳逻辑程序设计 357
15.5.1 最小一般泛化 358
15.5.2 逆归结 359
15.6 阅读材料 363
习题 365
参考文献 366
休息一会儿 369
第16章 强化学习 371
16.1 任务与奖赏 371
16.2 $K$-摇臂赌博机 373
16.2.1 探索与利用 373
16.2.2 $epsilon $-贪心 374
16.2.3 Softmax 375
16.3 有模型学习 377
16.3.1 策略评估 377

《机器学习基础与实践》 内容简介： 本书旨在为读者构建扎实的机器学习理论基础，并教授如何将其应用于实际问题。全书共分为三个主要部分：理论基础、核心算法、以及实践应用。 第一部分：机器学习的基石 本部分将带领读者深入理解机器学习的核心概念和原理。我们将从数据入手，探讨数据的类型、预处理的必要性，以及特征工程的重要性。读者将学习如何清洗、转换和选择特征，为模型的训练打下坚实基础。 数据探索与预处理： 了解不同类型的数据（数值型、类别型、文本型等），掌握缺失值填充、异常值检测与处理、数据标准化与归一化等关键技术。我们将强调数据质量对模型性能的决定性影响，并通过实际案例展示数据预处理的威力。 特征工程： 深入讲解如何从原始数据中提取、构造和选择有用的特征。内容包括特征创建（如多项式特征、交互特征）、特征转换（如对数变换、Box-Cox变换）以及特征选择方法（如过滤法、包裹法、嵌入法）。读者将学会识别和构建能够提升模型泛化能力的特征。 模型评估与选择： 掌握评估模型性能的常用指标，如准确率、精确率、召回率、F1分数、ROC曲线、AUC值等。学习如何使用交叉验证等技术来获得更可靠的模型评估结果，并深入理解过拟合与欠拟合的概念，以及如何通过正则化、调整模型复杂度等方法来解决这些问题。 第二部分：核心机器学习算法详解 本部分将详细介绍一系列经典且广泛应用的机器学习算法，并深入剖析其工作原理、优缺点以及适用场景。 监督学习算法： 线性模型： 从最基础的线性回归和逻辑回归开始，深入讲解其原理、损失函数、梯度下降等优化方法，以及Lasso和Ridge等正则化技术。 决策树与集成学习： 详细介绍决策树的构建过程（如ID3、C4.5、CART算法），以及如何利用集成学习方法（如Bagging、Boosting）构建更强大的模型。重点讲解随机森林和梯度提升树（如AdaBoost、XGBoost、LightGBM），阐述其在解决复杂问题中的优越性。 支持向量机 (SVM)： 深入理解SVM的几何解释、核技巧（线性核、多项式核、径向基核），以及软间隔和硬间隔的概念。学习如何选择合适的核函数和参数来优化SVM的性能。 K近邻算法 (KNN)： 讲解KNN的原理、距离度量方法，以及其在分类和回归问题中的应用。讨论KNN的优缺点及如何优化其性能。 无监督学习算法： 聚类算法： 详细介绍K-Means算法的原理、初始化方法、收敛条件，以及其在数据分组和模式发现中的应用。介绍层次聚类和DBSCAN等其他聚类方法，并探讨如何选择合适的聚类算法和评估聚类结果。 降维算法： 讲解主成分分析 (PCA) 的原理，如何通过特征值和特征向量找到数据的主要变化方向，以及其在数据压缩和可视化中的应用。介绍线性判别分析 (LDA) 等其他降维技术。 模型训练与优化： 梯度下降算法： 深入讲解不同类型的梯度下降（批量梯度下降、随机梯度下降、小批量梯度下降），以及其在模型优化中的作用。介绍学习率衰减、动量等优化策略。 模型调优： 学习网格搜索、随机搜索等超参数搜索技术，以及如何使用交叉验证来找到最佳的模型配置。 第三部分：机器学习实践与案例分析 本部分将带领读者将理论知识付诸实践，通过多个实际案例，学习如何利用机器学习解决真实世界的问题。 真实世界数据分析项目： 房价预测： 使用数据集训练线性回归、决策树、随机森林等模型，预测房屋价格，并分析影响房价的关键因素。 客户流失预测： 构建分类模型，识别可能流失的客户，为企业制定有效的客户挽留策略。 垃圾邮件过滤： 应用文本分类技术，构建能够准确识别垃圾邮件的分类器。 推荐系统入门： 讲解基于协同过滤和基于内容的推荐算法，并实现一个简单的推荐系统。 常用机器学习库的使用： Scikit-learn： 详细介绍Scikit-learn库在数据预处理、模型选择、算法实现、模型评估等方面的强大功能，指导读者如何高效地使用该库。 Pandas与NumPy： 讲解Pandas在数据处理和分析中的核心操作，以及NumPy在数值计算中的高效运用，为机器学习实践提供数据支持。 机器学习工作流程： 梳理完整的机器学习项目流程，从问题定义、数据收集、数据预处理、特征工程、模型选择、模型训练、模型评估到模型部署，让读者形成系统性的项目开发思维。 本书特色： 理论与实践并重： 既有严谨的数学推导和理论解释，又有丰富的代码示例和实战项目。 循序渐进的难度： 从基础概念讲起，逐步深入到复杂的算法和技术，适合不同背景的读者。 丰富的案例分析： 通过多个贴近实际应用场景的案例，帮助读者理解算法的实际价值。 代码可复用性强： 提供的代码示例可以直接在实际项目中参考和使用。 阅读本书，您将能够掌握机器学习的核心原理，熟练运用各种经典算法，并具备独立完成机器学习项目的能力，为您的学术研究或职业发展奠定坚实的基础。 --- 《神经网络与深度学习》 内容简介： 本书系统地介绍了神经网络和深度学习的核心概念、理论基础、主流模型以及前沿技术。旨在帮助读者深入理解神经网络的工作机制，掌握构建和训练深度学习模型的关键技术，并能够将其应用于图像识别、自然语言处理、语音识别等前沿领域。 第一部分：神经网络的基础 本部分将为读者打下坚实的神经网络理论基础，从最基本的感知器模型开始，逐步过渡到多层感知器，并详细讲解激活函数、损失函数、反向传播算法等核心要素。 从感知器到多层感知器： 感知器模型： 讲解感知器的基本结构、工作原理以及线性可分问题的局限性。 激活函数： 深入探讨Sigmoid、ReLU、Tanh等常用激活函数的特性、优缺点及其在神经网络中的作用。 前向传播： 详细讲解数据如何在神经网络中从输入层逐层传递到输出层的过程。 反向传播算法： 链式法则： 详细讲解微积分中的链式法则，以及其在计算神经网络梯度中的关键作用。 梯度下降与误差反向传播： 详细推导和解释反向传播算法的原理，以及如何利用梯度下降来更新神经网络的权重和偏置。 损失函数与优化器： 常用损失函数： 讲解均方误差 (MSE)、交叉熵损失 (Cross-Entropy Loss) 等在分类和回归问题中常用的损失函数。 优化算法： 除了基本的梯度下降，还将介绍SGD、Adam、RMSprop等更高级的优化器，以及它们如何加速和稳定模型的训练过程。 正则化与防止过拟合： L1/L2正则化： 讲解如何通过L1和L2正则化来惩罚模型的复杂度，抑制过拟合。 Dropout： 详细介绍Dropout技术的原理和应用，以及它如何通过随机“丢弃”神经元来提高模型的泛化能力。 Early Stopping： 讲解在模型训练过程中如何通过监控验证集性能来提前停止训练，防止过拟合。 第二部分：核心深度学习模型 本部分将重点介绍当前最流行和最有效的深度学习模型，包括卷积神经网络（CNN）和循环神经网络（RNN）及其变种，并阐述它们在不同任务中的应用。 卷积神经网络 (CNN) ： 卷积层： 详细讲解卷积核（滤波器）的工作原理、感受野、步长、填充等概念。理解CNN如何通过卷积操作提取图像的空间特征。 池化层： 讲解最大池化、平均池化等池化操作的作用，以及它们如何实现特征的下采样，减小模型参数，提高鲁棒性。 全连接层： 讲解CNN最后的全连接层如何将提取的特征进行分类或回归。 经典CNN架构： 介绍LeNet-5、AlexNet、VGGNet、ResNet、Inception等经典CNN架构的设计思想和演进过程。 CNN在计算机视觉中的应用： 图像分类、目标检测、图像分割、人脸识别等。 循环神经网络 (RNN) ： RNN基本结构： 讲解RNN如何处理序列数据，以及其“记忆”机制。 长短期记忆网络 (LSTM)： 详细介绍LSTM的门控机制（遗忘门、输入门、输出门），以及它如何解决传统RNN的梯度消失问题，有效捕捉长期依赖关系。 门控循环单元 (GRU)： 介绍GRU作为LSTM的简化版本，及其在处理序列数据中的性能。 RNN在自然语言处理中的应用： 语言模型、机器翻译、文本生成、情感分析、序列标注等。 第三部分：深度学习的高级主题与前沿技术 本部分将深入探讨更高级的深度学习技术和当前的研究热点，帮助读者了解深度学习的最新发展动态，并为其进一步研究打下基础。 生成对抗网络 (GAN) ： GAN基本原理： 讲解生成器和判别器的对抗训练过程，以及如何通过这种机制生成逼真的数据。 DCGAN、StyleGAN等： 介绍GAN在图像生成领域的最新进展和不同变种。 注意力机制 (Attention Mechanism) ： 自注意力机制： 讲解Transformer模型中的自注意力机制，以及它如何让模型关注输入序列的不同部分。 多头注意力： 解释多头注意力机制如何并行地关注不同表示子空间的信息。 Transformer模型： 详细介绍Transformer模型，以及它在自然语言处理领域的革命性影响，包括BERT、GPT等预训练模型。 迁移学习与预训练模型： 迁移学习的优势： 讲解如何利用预训练模型来解决数据量不足的问题，加速模型训练。 微调 (Fine-tuning) ： 学习如何对预训练模型进行微调，以适应特定任务。 常用的预训练模型： 介绍ImageNet预训练的CNN模型、NLP领域的BERT、GPT等。 深度学习框架与工具： TensorFlow与PyTorch： 详细介绍TensorFlow和PyTorch这两个主流深度学习框架的使用方法，包括张量操作、模型构建、训练与评估等。 Keras API： 讲解Keras作为TensorFlow的高级API，如何简化神经网络的构建过程。 深度学习的应用领域概览： 计算机视觉： 自动驾驶、医疗影像分析、增强现实等。 自然语言处理： 智能问答、文本摘要、对话机器人等。 语音识别与合成： 智能助手、语音翻译等。 强化学习： 游戏AI、机器人控制等。 本书特色： 体系完整，深入浅出： 从基础概念到前沿技术，构建清晰的学习路径，适合不同水平的读者。 理论与实践紧密结合： 详细的算法推导与清晰的代码实现相结合，帮助读者建立直观理解。 聚焦主流模型与技术： 重点介绍当前最热门和最有效的神经网络模型和深度学习技术。 案例丰富，应用导向： 通过大量实际应用案例，展示深度学习在各个领域的强大能力。 技术前沿，紧跟发展： 涵盖了注意力机制、Transformer等最新技术，帮助读者把握行业脉搏。 通过本书的学习，读者将不仅能够掌握神经网络和深度学习的核心理论，更能获得独立构建、训练和优化深度学习模型的实操能力，为应对未来人工智能领域的挑战做好充分准备。

评分☆☆☆☆☆

这套书的外观设计和排版都让我眼前一亮。拿到手里，书的厚度适中，不是那种厚得让人望而生畏的大部头，但内容量又很充实。封面采用的是一种比较柔和的色彩，给人一种宁静、专注的感觉，非常符合学习的氛围。翻开内页，文字清晰，段落分明，关键概念的突出显示也很到位，阅读起来不会感到疲劳。尤其值得称赞的是，书中的图表和示意图都设计得非常精美，既有美感，又清晰地传达了信息，这对于理解复杂的算法和模型非常有帮助。我尝试性地翻阅了其中几页，发现讲解的逻辑性很强，过渡也很自然，没有那种生硬的跳跃感。我喜欢它在讲解一个新概念时，会先给出它的背景和意义，然后再深入到细节，这种循序渐进的方式，让学习过程更加顺畅。

评分☆☆☆☆☆

作为一名在技术领域摸爬滚打多年的从业者，我深知理论知识与实际应用之间的鸿沟。这套《机器学习+神经网络与深度学习》给我最深刻的印象是，它似乎在努力弥合这个鸿沟。它不仅仅是枯燥的理论讲解，而是处处流露出对实际工程应用的关注。我浏览了目录，看到了许多与实际项目紧密相关的章节，比如模型部署、性能优化等等，这些都是我们在实际工作中经常会遇到的挑战。而且，书中提到的“从问题出发，再到解决方案”的教学模式，也更能引起工程师的共鸣。我期待它能提供一些切实可行的技巧和经验，帮助我们更好地将机器学习和深度学习技术落地到实际业务中。当然，我也希望书中在讲解一些前沿技术时，能够给出一些权威的参考文献，方便我们进一步深入研究。

评分☆☆☆☆☆

这套书的装帧设计真的太棒了！封面采用的是一种哑光的材质，摸上去手感非常舒服，而且书名“机器学习+神经网络与深度学习”的设计也很有质感，字体大小和颜色搭配恰到好处，摆在书架上非常有视觉冲击力。我特别喜欢这种简约而不失专业感的设计风格，一眼就能看出是与技术类书籍相关的。而且，它还是套装共两册，这个设定就非常贴心了，一本涵盖基础，一本深入进阶，感觉非常全面。拿到手里的时候，重量适中，拿在手里翻阅也不会觉得沉甸甸的。纸张的质量也很好，泛黄的纸张不仅对眼睛比较友好，而且有一种沉淀的知识感。翻开扉页，印刷清晰，油墨也没有异味，这一点对于需要长时间阅读的书籍来说非常重要。我迫不及待地想开始阅读了，相信这套书不仅内容会很扎实，阅读体验也会是一场视觉和触觉的盛宴。

评分☆☆☆☆☆

我一直对人工智能领域充满好奇，尤其是神经网络和深度学习，总觉得它们是打开未来世界大门的钥匙。最近看到了这套《机器学习+神经网络与深度学习》的书，虽然我还没有正式开始深入阅读，但从目录和前言来看，它似乎是一个非常系统性的学习路径。它不仅仅是简单地罗列概念，而是力图构建一个完整的知识体系，从机器学习的基础概念出发，逐步深入到神经网络的原理，再到当前最热门的深度学习技术。我尤其关注书中关于“如何循序渐进地学习”的引导，这对于我这种初学者来说至关重要，避免了那种“一口吃不成胖子”的挫败感。书中提到的那些实际应用案例，比如图像识别、自然语言处理等等，更是让我对学习的动力倍增，毕竟理论知识最终是要服务于实践的。我已经准备好投入大量时间来消化这套书的内容了，希望它能为我打开一扇通往人工智能世界的窗户。

评分☆☆☆☆☆

说实话，市面上关于机器学习和深度学习的书籍确实不少，但真正能够做到既严谨又不失趣味性的，却不多见。我最近翻阅了一下这套《机器学习+神经网络与深度学习》，整体感觉非常扎实。它没有一开始就抛出太多复杂的数学公式，而是先用一些生动形象的比喻来解释一些核心概念，让我这种数学基础不是特别强的读者也能有所领悟。更重要的是，它在讲解理论的同时，还会穿插一些相关的代码示例，虽然我还没有去实际运行，但光是看到清晰的代码结构和注释，就能对算法的实现过程有初步的了解。而且，书中对一些经典算法的介绍，也让我觉得它是在认真梳理技术发展的脉络，而不是简单地堆砌最新的技术点。我比较期待它在深度学习部分，能够讲解一些更具前瞻性的研究方向，毕竟这个领域发展太快了。

评分☆☆☆☆☆

京东还是快的不行，服务很周到

评分☆☆☆☆☆

写得太过简单

评分☆☆☆☆☆

好

评分☆☆☆☆☆

很适合初学者学习概念，还不错的入门书！

评分☆☆☆☆☆

好好好，质量挺好的，快递员很赞。

评分☆☆☆☆☆

好

评分☆☆☆☆☆

没有发票！

评分☆☆☆☆☆

书到的很快

评分☆☆☆☆☆

不错