机器学习与优化 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

罗伯托·巴蒂蒂（Roberto Battiti），毛罗·布鲁纳托（Mauro Brunato） 著，王彧弋 译

图书标签:

• 机器学习
• 优化算法
• 数学建模
• 人工智能
• 深度学习
• 凸优化
• 梯度下降
• 模型训练
• 算法设计
• 数据科学

出版社： 人民邮电出版社

ISBN：9787115480293

版次：1

商品编码：12367752

包装：平装

开本：16开

出版时间：2018-05-01

用纸：胶版纸

页数：272

正文语种：中文

产品特色

编辑推荐

如今是人工智能高歌猛进的时代，机器学习的发展也如火如荼。然而，复杂的数学公式和难解的专业术语容易令刚接触这一领域的学习者望而生畏。有没有这样一本机器学习的书，能摒弃复杂的公式推导，带领读者通过实践来掌握机器学习的方法？
《机器学习与优化》正是这样一本书！它的写作脱胎于意大利特伦托大学机器学习与智能优化实验室（LION lab）的研究项目，语言轻松幽默，内容图文并茂，涵盖了机器学习中可能遇到的各方面知识。更重要的是，书中特别介绍了两个机器学习的应用，即信息检索和协同推荐，让读者在了解信息结构的同时，还能利用信息来预测相关的推荐项。
本书作者以及读者群发布的数据、指导说明和教学短片都可以在本书网站上找到。
本书内容要点：
● 监督学习——线性模型、决策森林、神经网络、深度和卷积网络、支持向量机等
● 无监督模型和聚类——K均值、自底而上聚类、自组织映射、谱图绘制、半监督学习等
● 优化是力量之源——自动改进的局部方法、局部搜索和反馈搜索优化、协作反馈搜索优化、多目标反馈搜索优化等
● 应用精选——文本和网页挖掘，电影的协同推荐系统

内容简介

本书是机器学习实战领域的一本佳作，从机器学习的基本概念讲起，旨在将初学者引入机器学习的大门，并走上实践的道路。本书通过讲解机器学习中的监督学习和无监督学习，并结合特征选择和排序、聚类方法、文本和网页挖掘等热点问题，论证了“优化是力量之源”这一观点，为机器学习在企业中的应用提供了切实可行的操作建议。

作者简介

【作者简介】

罗伯托·巴蒂蒂（Roberto Battiti）
人工智能领域先驱，IEEE会士。因在无功搜索优化（RSO）方向做出了开创性的工作而名震学界。 目前为意大利特伦托大学教授，同时担任特伦托大学机器学习与智能优化实验室（LION lab）主任。

毛罗·布鲁纳托（Mauro Brunato）
意大利特伦托大学助理教授，LION研究团队成员。

【译者简介】

王彧弋
博士，现于瑞士苏黎世联邦理工学院从事研究工作，主要研究方向为理论计算机科学与机器学习。

目录

第 1章 引言 1
1．1　学习与智能优化：燎原之火　1
1．2　寻找黄金和寻找伴侣　3
1．3　需要的只是数据　5
1．4　超越传统的商业智能　5
1．5　LION方法的实施　6
1．6　“动手”的方法　6
第　2章 懒惰学习：最近邻方法　9
第3章　学习需要方法　14
3．1　从已标记的案例中学习：最小化和泛化　16
3．2　学习、验证、测试　18
3．3　不同类型的误差　21
第　一部分 监督学习
第4章　线性模型　26
4．1　线性回归　27
4．2　处理非线性函数关系的技巧　28
4．3　用于分类的线性模型　29
4．4　大脑是如何工作的　30
4．5　线性模型为何普遍，为何成功　31
4．6　最小化平方误差和　32
4．7　数值不稳定性和岭回归　34
第5章　广义线性最小二乘法　37
5．1　拟合的优劣和卡方分布　38
5．2　最小二乘法与最大似然估计　42
5．2．1　假设检验　42
5．2．2　交叉验证　44
5．3　置信度的自助法　44
第6章　规则、决策树和森林　50
6．1　构造决策树　52
6．2　民主与决策森林　56
第7章　特征排序及选择　59
7．1　特征选择：情境　60
7．2　相关系数　62
7．3　相关比　63
7．4　卡方检验拒绝统计独立性　64
7．5　熵和互信息　64
第8章　特定非线性模型　67
8．1　logistic 回归　67
8．2　局部加权回归　69
8．3　用LASSO来缩小系数和选择输入值　72
第9章　神经网络：多层感知器　76
9．1　多层感知器　78
9．2　通过反向传播法学习　80
9．2．1　批量和bold driver反向传播法　81
9．2．2　在线或随机反向传播　82
9．2．3　训练多层感知器的高级优化　83
第　10章 深度和卷积网络　84
10．1　深度神经网络　85
10．1．1　自动编码器　86
10．1．2　随机噪声、屏蔽和课程　88
10．2　局部感受野和卷积网络　89
第　11章 统计学习理论和支持向量机　94
11．1　经验风险最小化　96
11．1．1　线性可分问题　98
11．1．2　不可分问题　100
11．1．3　非线性假设　100
11．1．4　用于回归的支持向量　101
第　12章 最小二乘法和健壮内核机器　103
12．1　最小二乘支持向量机分类器　104
12．2　健壮加权最小二乘支持向量机　106
12．3　通过修剪恢复稀疏　107
12．4　算法改进：调谐QP、原始版本、无补偿　108
第　13章 机器学习中的民主　110
13．1　堆叠和融合　111
13．2　实例操作带来的多样性：装袋法和提升法　113
13．3　特征操作带来的多样性　114
13．4　输出值操作带来的多样性：纠错码　115
13．5　训练阶段随机性带来的多样性　115
13．6　加性logistic回归　115
13．7　民主有助于准确率－拒绝的折中　118
第　14章 递归神经网络和储备池计算　121
14．1　递归神经网络　122
14．2　能量极小化霍普菲尔德网络　124
14．3　递归神经网络和时序反向传播　126
14．4　递归神经网络储备池学习　127
14．5　超限学习机　128
第二部分　无监督学习和聚类
第　15章 自顶向下的聚类：K均值　132
15．1　无监督学习的方法　134
15．2　聚类：表示与度量　135
15．3　硬聚类或软聚类的K均值方法　137
第　16章 自底向上（凝聚）聚类　142
16．1　合并标准以及树状图　142
16．2　适应点的分布距离：马氏距离　144
16．3　附录：聚类的可视化　146
第　17章 自组织映射　149
17．1　将实体映射到原型的人工皮层　150
17．2　使用成熟的自组织映射进行分类　153
第　18章 通过线性变换降维（投影）　155
18．1　线性投影　156
18．2　主成分分析　158
18．3　加权主成分分析：结合坐标和关系　160
18．4　通过比值优化进行线性判别　161
18．5　费希尔线性判别分析　163
第　19章 通过非线性映射可视化图与网络　165
19．1　最小应力可视化　166
19．2　一维情况：谱图绘制　168
19．3　复杂图形分布标准　170
第　20章 半监督学习　174
20．1　用部分无监督数据进行学习　175
20．1．1　低密度区域中的分离　177
20．1．2　基于图的算法　177
20．1．3　学习度量　179
20．1．4　集成约束和度量学习　179
第三部分　优化：力量之源
第　21章 自动改进的局部方法　184
21．1　优化和学习　185
21．2　基于导数技术的一维情况　186
21．2．1　导数可以由割线近似　190
21．2．2　一维最小化　191
21．3　求解高维模型（二次正定型）　191
21．3．1　梯度与最速下降法　194
21．3．2　共轭梯度法　196
21．4　高维中的非线性优化　196
21．4．1　通过线性查找的全局收敛　197
21．4．2　解决不定黑塞矩阵　198
21．4．3　与模型信赖域方法的关系　199
21．4．4　割线法　200
21．4．5　缩小差距：二阶方法与线性复杂度　201
21．5　不涉及导数的技术：反馈仿射振荡器　202
21．5．1　RAS：抽样区域的适应性　203
21．5．2　为健壮性和多样化所做的重复　205
第　22章 局部搜索和反馈搜索优化　211
22．1　基于扰动的局部搜索　212
22．2　反馈搜索优化：搜索时学习　215
22．3　基于禁忌的反馈搜索优化　217
第　23章 合作反馈搜索优化　222
23．1　局部搜索过程的智能协作　223
23．2　CoRSO：一个政治上的类比　224
23．3　CoRSO的例子：RSO与RAS合作　226
第　24章 多目标反馈搜索优化　232
24．1　多目标优化和帕累托最优　233
24．2　脑－计算机优化：循环中的用户　235
第四部分　应用精选
第　25章 文本和网页挖掘　240
25．1　网页信息检索与组织　241
25．1．1　爬虫　241
25．1．2　索引　242
25．2　信息检索与排名　244
25．2．1　从文档到向量：向量－空间模型　245
25．2．2　相关反馈　247
25．2．3　更复杂的相似性度量　248
25．3　使用超链接来进行网页排名　250
25．4　确定中心和权威：HITS　254
25．5　聚类　256
第　26章 协同过滤和推荐　257
26．1　通过相似用户结合评分　258
26．2　基于矩阵分解的模型　260
参考文献　263
索引　269

《算法的炼金术：从零构建你的智能系统》 导语： 在这个数据洪流奔涌、智能需求日益迫切的时代，我们常常惊叹于那些能够学习、预测、决策的“聪明”系统。它们有的能够精准识别图像中的猫狗，有的能根据你的喜好推荐电影，有的甚至能驾驶汽车穿越复杂的城市道路。然而，这些神奇的能力并非凭空而来，它们的背后是一系列精妙的算法，是无数次迭代与优化的结晶。本书并非直接教授你某个领域的具体应用，而是将目光投向算法的根基，带你深入探究那些构建智能系统的“魔法石”。我们将一同解锁算法的底层逻辑，理解它们如何从原始数据中提炼智慧，如何通过不断的试错与调整变得更加高效和精准。无论你是渴望理解人工智能背后原理的初学者，还是希望夯实理论基础、拓展技术边界的从业者，本书都将为你开启一扇通往算法世界的全新大门。 第一章：算法的基石——数据与结构 在构建任何智能系统之前，我们必须首先理解它的原材料——数据。数据是智能的土壤，而数据的组织方式则决定了土壤的肥沃程度。本章将带领读者从最基础的角度审视数据，探讨不同类型数据的本质及其在算法处理中的意义。 数据的分类与理解：我们将从数据的量级（小数据、大数据）、维度（低维、高维）、类型（结构化、非结构化、半结构化）等多个维度深入剖析数据。理解数据的特性至关重要，因为它直接影响着后续算法的选择和设计。例如，文本数据和图像数据在存储和处理上就存在显著差异。我们将通过实际案例，展示如何从海量数据中识别出对特定任务有价值的信息。 数据结构的重要性：算法的效率往往与数据结构的组织方式息息相关。我们会回顾并深入探讨几种经典的数据结构，如数组、链表、栈、队列、树、图、哈希表等。理解它们的优缺点，以及在不同场景下适用的数据结构，能够极大地优化算法的执行速度和内存占用。例如，在需要频繁查找的场景，哈希表能提供近乎常量的查找时间；而在需要高效插入和删除的场景，链表则可能更为合适。 数据预处理的艺术：原始数据往往充满了噪声、缺失值和不一致性，直接将其用于算法训练可能会导致模型性能下降甚至失效。本章将详细讲解数据预处理的关键步骤，包括数据清洗（处理缺失值、异常值）、数据转换（归一化、标准化、编码）、特征工程（特征选择、特征提取、特征构造）等。我们会强调，数据预处理并非机械的操作，而是一个需要深入理解数据特性、并结合具体问题进行巧妙设计的艺术过程。例如，如何将类别型特征转化为数值型特征，以便算法能够理解；如何处理数据中的时间序列信息，使其更易于模型学习。 第二章：算法的思维——逻辑与流程 算法的本质是解决问题的步骤和逻辑。本章将聚焦于算法的思维方式，带领读者理解如何将一个实际问题转化为一系列可执行的指令，并探讨不同算法设计范式的核心思想。 问题的形式化与建模：如何将现实世界模糊的问题，转化为计算机能够理解的、清晰的数学模型和逻辑结构，是算法设计的起点。我们将学习如何定义输入、输出，如何设定约束条件，如何选择合适的评价指标来衡量问题解决的“好坏”。例如，一个“预测房价”的问题，可以被形式化为一个输入“房屋特征”（面积、地理位置、房间数等）输出“预测价格”的模型。 基本算法设计范式：本章将介绍几种最基本的算法设计范式，例如： 分治法：将复杂问题分解为更小的、独立的子问题，分别解决，然后将子问题的解合并起来。我们将以经典的“归并排序”和“快速排序”为例，深入理解分治法的思想和实现。 动态规划：通过将大问题分解为相互重叠的子问题，并记录子问题的解，避免重复计算，从而高效地解决问题。经典的“背包问题”、“最长公共子序列”等问题将作为实例，揭示动态规划的魅力。 贪心算法：在每一步选择局部最优解，期望最终得到全局最优解。我们将通过“活动选择问题”、“霍夫曼编码”等案例，探讨贪心算法的适用条件和潜在陷阱。 回溯法与分支限界法：用于搜索解空间的算法，尤其适用于组合优化问题。我们将通过“八皇后问题”、“旅行商问题”等，理解如何系统地搜索所有可能的解决方案，并进行剪枝以提高效率。 复杂度分析的艺术：理解算法的效率至关重要。我们将深入学习如何使用大O符号（Big O notation）来分析算法的时间复杂度和空间复杂度。这不仅仅是理论上的学术探讨，更是评估算法可行性、选择最优算法的关键依据。我们会通过实例，计算并比较不同算法的复杂度，理解“O(n)”、“O(n log n)”、“O(n^2)”等不同增长趋势的意义。 第三章：算法的进化——学习与调整 如果说前两章聚焦于静态的算法逻辑，那么本章将把目光转向算法的“生命力”——学习与自我调整的能力。我们将探讨算法如何从经验中汲取养分，如何通过不断地迭代优化来提升性能。 监督学习的探索：在本章中，我们将深入理解监督学习的核心概念。它就像一位勤奋的学生，在老师（标签数据）的指导下学习。我们会详细介绍几种基础的监督学习算法，如： 线性回归与逻辑回归：理解模型如何通过拟合数据来建立输入与输出之间的映射关系。我们会探讨它们的数学原理、参数更新过程，以及如何评估模型的性能（如MSE、准确率）。 决策树：学习如何构建一个树状结构，通过一系列判断来做出预测。我们将探讨信息增益、基尼系数等用于节点划分的指标，以及过拟合的风险和剪枝策略。 支持向量机（SVM）：理解如何找到最优的超平面来分隔不同类别的数据，以及核技巧在处理非线性可分问题中的作用。 无监督学习的发现：与监督学习不同，无监督学习就像一位自主探索的科学家，在没有明确指导的情况下寻找数据中的模式和结构。我们将介绍： 聚类算法：如K-Means算法，学习如何将相似的数据点分组，发现隐藏的数据簇。我们会探讨距离度量、簇的质心更新等过程。 降维技术：如主成分分析（PCA），学习如何在高维数据中提取最重要的信息，将其压缩到低维空间，同时保留尽可能多的方差。 模型评估与调优的循环：构建一个算法模型并非终点，如何评估它的表现并进行持续的优化才是关键。本章将重点讲解模型评估的常用方法，如交叉验证、混淆矩阵、ROC曲线等，以及如何通过调整模型参数（超参数调优）、特征工程等手段来提升模型的泛化能力和鲁棒性。我们将强调，这是一个反复迭代、不断逼近最优解的过程。 第四章：算法的实践——工具与应用 理论的基石一旦稳固，便需要付诸实践。本章将带领读者将所学的算法知识转化为实际的应用，了解常用的算法开发工具和平台，并初步触及一些算法在各领域的应用场景。 编程语言与库的生态：我们将简要介绍当前主流的算法开发编程语言，如Python，并着重介绍与其配套的强大算法开发库，如NumPy（数值计算）、SciPy（科学计算）、Pandas（数据处理）、Scikit-learn（机器学习）等。理解这些工具的作用和基本用法，能够极大地提高开发效率。 算法实现的最佳实践：在实际编码中，遵循一些最佳实践能够确保代码的可读性、可维护性和效率。我们将讨论代码风格、模块化设计、注释的重要性，以及如何编写高效的算法代码。 算法在各领域的“投影”：虽然本书不侧重于某个具体应用领域，但为了让读者更好地理解算法的价值，我们将在本章简要介绍算法在不同领域的“投影”。例如： 计算机视觉：图像识别、目标检测背后的算法逻辑。 自然语言处理：文本分类、机器翻译、情感分析等任务中算法的扮演的角色。 推荐系统：个性化推荐背后隐藏的算法模型。 金融风控：欺诈检测、信用评分等场景的算法应用。 科学计算与模拟：在物理、化学、生物等领域，算法如何加速研究进程。 我们将强调，理解算法的通用性，是触类旁通、适应不同领域挑战的关键。 结语： 算法的世界博大精深，它既是严谨的科学，也是充满创造力的艺术。本书旨在为您提供一个坚实的起点，让您能够理解算法的“前世今生”，掌握算法的“思维方式”，并具备初步的“实践能力”。在数据的海洋中，算法是您最可靠的导航仪，它能帮助您发现规律，预测未来，并最终构建出属于您自己的智能系统。愿您在算法的探索之路上，不断发现新的可能，炼就属于您的“智能之石”。

评分☆☆☆☆☆

我的工作涉及产品开发，我一直关注如何通过技术来提升用户体验和产品竞争力。《机器学习与优化》这本书，从名字上就给我一种“赋能”的感觉。我希望它能够为我打开一扇通往智能产品设计的大门。我特别想了解，如何利用机器学习技术来分析用户行为数据，从而预测用户的需求，个性化推荐内容，或者改进产品交互设计。例如，如何构建一个能够理解用户意图的智能客服系统？如何利用推荐算法为用户提供量身定制的产品方案？这些都是我一直在思考的问题。同时，我非常看重书中关于“优化”的部分。在产品开发过程中，性能优化、成本优化、用户转化率优化等都是至关重要的环节。我希望这本书能够提供一些实际可行的优化方法和案例，帮助我找到提升产品效率和用户满意度的最佳路径。这本书在我看来，就像一个“点石成金”的秘籍，我希望它能教会我如何将抽象的“智能”概念转化为切实可见的产品优势，让我们的产品在激烈的市场竞争中脱颖而出，为用户带来更智能、更便捷的体验。

评分☆☆☆☆☆

对于我这样一名在金融行业摸爬滚打多年的从业者来说，数据的分析和利用是日常工作的重中之重。我一直深信，在信息爆炸的时代，能够从海量数据中挖掘出有价值的洞见，是赢得竞争的关键。因此，当我在书架上看到《机器学习与优化》时，我的第一反应就是它可能为我提供新的视角和工具。我对书中关于“预测建模”和“风险评估”的部分尤其感兴趣。我希望这本书能够深入浅出地讲解如何利用机器学习技术，构建更精准的预测模型，从而更好地把握市场趋势，规避潜在风险。比如，如何利用历史交易数据来预测股票价格的波动？如何通过分析客户行为来识别欺诈行为？这些都是我工作中面临的实际难题。此外，书中“优化”这个词也引起了我的注意。在金融领域，优化无处不在，从投资组合的构建到资源配置，都需要精密的优化策略。我期待这本书能够提供一些先进的优化算法，帮助我更有效地解决这些问题，实现资源的最优利用，提升投资回报率。这本书就像一座宝库，我希望能够从中找到解决实际工作痛点的“金钥匙”，让我的工作更上一层楼。

评分☆☆☆☆☆

这本书的封面设计就足够吸引我了，那种深邃的蓝色背景，配上抽象但富有逻辑感的线条，瞬间就激发了我对探索未知领域的好奇心。我一直对如何让机器“思考”和“决策”这件事着迷，总觉得这背后隐藏着无限的可能。拿到这本《机器学习与优化》后，我更是迫不及待地翻开。虽然我不是科班出身，但我对其中的一些概念，比如“数据驱动的决策”和“算法的迭代改进”一直有着强烈的兴趣。我希望这本书能用一种相对易懂的方式，引导我进入这个复杂而迷人的世界。尤其是对那些关于如何通过海量数据来训练模型，使其能够识别模式、做出预测的讲解，我非常期待。我希望它能像一位经验丰富的向导，带我穿越机器学习的“丛林”，让我领略到不同算法的独特魅力，比如那些能够自动学习特征的深度学习模型，或者那些擅长处理不确定性的概率图模型。我相信，这本书不仅仅是理论知识的堆砌，更重要的是它能启发我如何将这些知识应用到实际问题中，解决现实世界中的挑战，比如图像识别、自然语言处理，甚至是更前沿的科学研究。我非常看重书中的实践性，希望能看到一些生动的案例分析，让我能够将抽象的概念具象化，理解算法是如何在实际应用中发挥作用的。

评分☆☆☆☆☆

作为一名对编程充满热情的爱好者，我一直在寻找能够拓展我技术视野的书籍。《机器学习与优化》这个书名立刻吸引了我，因为我知道机器学习和优化是当前科技领域最热门、最具潜力的方向之一。我希望这本书能够提供一些实用的编程示例和代码片段，让我能够亲手实践书中的算法，而不是仅仅停留在理论层面。比如，我非常想了解如何使用Python等流行的编程语言来实现一些经典的机器学习算法，如决策树、支持向量机或者神经网络。同时，我期望书中能有关于如何处理真实世界中 messy data（杂乱数据）的技巧和策略，以及如何进行特征工程和模型评估。此外，“优化”在编程中也扮演着重要角色，我希望能学习到如何编写更高效的代码，如何利用优化算法来提升程序的性能，或者如何解决一些组合优化的问题。这本书就像一个待解锁的技能树，我迫不及待地想通过它来学习新的编程技术，掌握新的算法，最终能够独立地开发出一些有趣且有用的机器学习应用，为我的编程之路增添更多的可能性。

评分☆☆☆☆☆

我是一名刚刚踏入学术研究领域的研究生，对理论的严谨性和应用的广阔性都有着很高的追求。《机器学习与优化》这本书的名字就深深吸引了我。我一直认为，机器学习不仅仅是技术，更是一种思想，一种用计算智能来模拟人类智能，从而解决复杂问题的能力。我特别期待书中能够对机器学习的数学基础有一个扎实的讲解，比如线性代数、概率论和微积分在其中的应用，让我能够更深刻地理解算法的内在逻辑。同时，我也希望书中能够涵盖一些前沿的机器学习算法，例如那些在自然语言处理和计算机视觉领域取得突破性进展的模型，以及它们背后的数学原理和实现细节。此外，“优化”这个概念在科学研究中同样至关重要，无论是模型参数的调整，还是实验设计的优化，都离不开它。我希望书中能够详细介绍各种优化技术，以及它们如何与机器学习相结合，共同推动科学研究的进步。这本书对我而言，不仅仅是一本工具书，更是一本启迪思想的宝典，我希望它能为我的学术研究提供坚实的基础和创新的灵感，让我能够站在巨人的肩膀上，探索未知的科学领域。

评分☆☆☆☆☆

还行吧

评分☆☆☆☆☆

还行吧

评分☆☆☆☆☆

此用户未填写评价内容

评分☆☆☆☆☆

买这本书为大二学习机器学习打好基础，加油加油?

评分☆☆☆☆☆

此用户未填写评价内容

评分☆☆☆☆☆

还行吧

评分☆☆☆☆☆

不错，很精炼，适合有一定基础的

评分☆☆☆☆☆

买这本书为大二学习机器学习打好基础，加油加油?

评分☆☆☆☆☆

买这本书为大二学习机器学习打好基础，加油加油?