機器學習 周誌華 基礎知識 揭開機器學習人機大戰的奧秘 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• 機器學習
• 人工智能
• 周誌華
• 模式識彆
• 算法
• 數據挖掘
• Python
• 理論基礎
• 監督學習
• 深度學習

店鋪： 華心圖書專營店

齣版社： 清華大學齣版社

ISBN：9787302423287

商品編碼：26799871771

Python神經網絡編程+深度學習+機器學習 三本套裝僅需226.9元，

目錄

dy 章 1

1.1 引言 1

1.2 基本術 2

1.3 假設空間 4

1.4 歸納偏好 6

1.5 發展曆程 10

1.6 應用現狀 13

1.7 閱讀材料 16

習題 19

參考文獻 20

休息一會兒 22

第2章 模型評估與選擇 23

2.1 經驗誤差與過擬閤 23

2.2 評估方法 24

2.2.1 留齣法 25

2.2.2 交叉驗證法 26

2.2.3 自助法 27

2.2.4 調參與 終模型 28

2.3 性能度量 28

2.3.1 錯誤率與精度 29

2.3.2 查準率、查全率與F1 30

2.3.3 ROC與AUC 33

2.3.4 代價敏感錯誤率與代價麯綫 35

2.4 比較檢驗 37

2.4.1 假設檢驗 37

2.4.2 交叉驗證t檢驗 40

2.4.3 McNemar檢驗 41

2.4.4 Friedman檢驗與後續檢驗 42

2.5 偏差與方差 44

2.6 閱讀材料 46

習題 48

參考文獻 49

休息一會兒 51

第3章 綫性模型 53

3.1 基本形式 53

3.2 綫性迴歸 53

3.3 對數幾率迴歸 57

3.4 綫性判彆分析 60

3.5 多分類學習 63

3.6 類彆不平衡問題 66

3.7 閱讀材料 67

習題 69

參考文獻 70

休息一會兒 72

第4章 決策樹 73

4.1 基本流程 73

4.2 劃分選擇 75

4.2.1 信息增益 75

4.2.2 增益率 77

4.2.3 基尼指數 79

4.3 剪枝處理 79

4.3.1 預剪枝 80

4.3.2 後剪枝 82

4.4 連續與缺失值 83

4.4.1 連續值處理 83

4.4.2 缺失值處理 85

4.5 多變量決策樹 88

4.6 閱讀材料 92

習題 93

參考文獻 94

休息一會兒 95

第5章 神經網絡 97

5.1 神經元模型 97

5.2 感知機與多層網絡 98

5.3 誤差逆傳播算法 101

5.4 全局 小與局部極小 106

5.5 其他常見神經網絡 108

5.5.1 RBF網絡 108

5.5.2 ART網絡 108

5.5.3 SOM網絡 109

5.5.4 級聯相關網絡 110

5.5.5 Elman網絡 111

5.5.6 Boltzmann機 111

5.6 深度學習 113

5.7 閱讀材料 115

習題 116

參考文獻 117

休息一會兒 120

第6章 支持嚮量機 121

6.1 間隔與支持嚮量 121

6.2 對偶問題 123

6.3 核函數 126

6.4 軟間隔與正則化 129

6.5 支持嚮量迴歸 133

6.6 核方法 137

6.7 閱讀材料 139

習題 141

參考文獻 142

休息一會兒 145

第7章 貝葉斯分類器 147

7.1 貝葉斯決策論 147

7.2 極大似然估計 149

7.3 樸素貝葉斯分類器 150

7.4 半樸素貝葉斯分類器 154

7.5 貝葉斯網 156

7.5.1 結構 157

7.5.2 學習 159

7.5.3 推斷 161

7.6 EM算法 162

7.7 閱讀材料 164

習題 166

參考文獻 167

休息一會兒 169

第8章 集成學習 171

8.1 個體與集成 171

8.2 Boosting 173

8.3 Bagging與隨機森林 178

8.3.1 Bagging 178

8.3.2 隨機森林 179

8.4 結閤策略 181

8.4.1 平均法 181

8.4.2 投票法 182

8.4.3 學習法 183

8.5 多樣性 185

8.5.1 誤差--分歧分解 185

8.5.2 多樣性度量 186

8.5.3 多樣性增強 188

8.6 閱讀材料 190

習題 192

參考文獻 193

休息一會兒 196

第9章 聚類 197

9.1 聚類任務 197

9.2 性能度量 197

9.3 距離計算 199

9.4 原型聚類 202

9.4.1 k均值算法 202

9.4.2 學習嚮量量化 204

9.4.3 高斯混閤聚類 206

9.5 密度聚類 211

9.6 層次聚類 214

9.7 閱讀材料 217

習題 220

參考文獻 221

休息一會兒 224

dy 0章 降維與度量學習 225

10.1 k近鄰學習 225

10.2 低維嵌入 226

10.3 主成分分析 229

10.4 核化綫性降維 232

10.5 流形學習 234

10.5.1 等度量映射 234

10.5.2 局部綫性嵌入 235

10.6 度量學習 237

10.7 閱讀材料 240

習題 242

參考文獻 243

休息一會兒 246

dy 1章 特徵選擇與稀疏學習 247

11.1 子集搜索與評價 247

11.2 過濾式選擇 249

11.3 包裹式選擇 250

11.4 嵌入式選擇與L$_1$正則化 252

11.5 稀疏錶示與字典學習 254

11.6 壓縮感知 257

11.7 閱讀材料 260

習題 262

參考文獻 263

休息一會兒 266

dy 2章 計算學習理論 267

12.1 基礎知識 267

12.2 PAC學習 268

12.3 有限假設空間 270

12.3.1 可分情形 270

12.3.2 不可分情形 272

12.4 VC維 273

12.5 Rademacher復雜度 279

12.6 穩定性 284

12.7 閱讀材料 287

習題 289

參考文獻 290

休息一會兒 292

dy 3章 半監督學習 293

13.1 未標記樣本 293

13.2 生成式方法 295

13.3 半監督SVM 298

13.4 圖半監督學習 300

13.5 基於分歧的方法 304

13.6 半監督聚類 307

13.7 閱讀材料 311

習題 313

參考文獻 314

休息一會兒 317

dy 4章 概率圖模型 319

14.1 隱馬爾可夫模型 319

14.2 馬爾可夫隨機場 322

14.3 條件隨機場 325

14.4 學習與推斷 328

14.4.1 變量消去 328

14.4.2 信念傳播 330

14.5 近似推斷 331

14.5.1 MCMC采樣 331

14.5.2 變分推斷 334

14.6 話題模型 337

14.7 閱讀材料 339

習題 341

參考文獻 342

休息一會兒 345

dy 5章 規則學習 347

15.1 基本概念 347

15.2 序貫覆蓋 349

15.3 剪枝優化 352

15.4 一階規則學習 354

15.5 歸納邏輯程序設計 357

15.5.1 小一般泛化 358

15.5.2 逆歸結 359

15.6 閱讀材料 363

習題 365

參考文獻 366

休息一會兒 369

dy 6章 強化學習 371

16.1 任務與奬賞 371

16.2 $K$-搖臂賭博機 373

16.2.1 探索與利用 373

16.2.2 $epsilon $-貪心 374

16.2.3 Softmax 375

16.3 有模型學習 377

16.3.1 策略評估 377

16.3.2 策略改進 379

16.3.3 策略迭代與值迭代 381

16.4 免模型學習 382

16.4.1 濛特卡羅強化學習 383

16.4.2 時序差分學習 386

16.5 值函數近似 388

16.6 模仿學習 390

16.6.1 直接模仿學習 391

16.6.2 逆強化學習 391

16.7 閱讀材料 393

習題 394

參考文獻 395

休息一會兒 397

附錄 399

A 矩陣 399

B 優化 403

C 概率分布 409

後記 417

索引 419

書名：機器學習

作者：周誌華 著

齣版社：清華大學齣版社

齣版時間：2016-1

版次：1

印刷時間：2017-8

印次：21

開本：16開

裝幀：平裝

頁數：425

ISBN：9787302423287

定價：88.00

內容全麵；結構閤理；敘述清楚；深入淺齣。人工智能領域中文的開山之作！

相關圖書推薦：

機器智能 人工智能領域的創新之作，三大主流方法的和諧統一！當今各種人工智能學說的集成創新。

人工智能：一種現代的方法（第3版 影印版） A Must Read for AI

人工智能：一種現代的方法（第3版）（翻譯版） A Must Read for AI

機器崛起前傳——自我意識與人類智慧的開端

機器學習是計算機科學與人工智能的重要分支領域. 本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方麵. 全書共16 章，大緻分為3 個部分：dy 部分（dy ～3 章）介紹機器學習的基礎知識；第2 部分（第4～10 章）討論一些經典而常用的機器學習方法（決策樹、神經網絡、支持嚮量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；第3 部分（dy 1～16 章）為進階知識，內容涉及特徵選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等. 每章都附有習題並介紹瞭相關閱讀材料，以便有興趣的讀者進一步鑽研探索。

本書可作為高等院校計算機、自動化及相關專業的本科生或研究生教材，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。

周誌華，南京大學計算機係教授，ACM傑齣科學傢，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中國計算機學會會士。guo傢傑齣青年科學基金獲得者、長江學者特聘教授。先後擔任多種SCI(E)期刊執行主編、副主編、副編輯、編委等。中國計算機學會人工智能與模式識彆專業委員會主任，中國人工智能學會機器學習專業委員會主任，IEEE計算智能學會數據挖掘技術委員會副主席。

《智海潮湧：算法的演進與智能的邊界》 引言： 在信息洪流奔湧的時代，我們正以前所未有的速度被數據包圍，被計算重塑。從繁復的科學計算到日常生活的方方麵麵，一股名為“智能”的力量正在悄然崛起，它不僅僅是冷冰冰的代碼堆砌，更是對人類思維模式的模仿與超越，是對未知世界探索的強勁引擎。本書《智海潮湧：算法的演進與智能的邊界》正是緻力於揭示這股力量的源頭活水，深入剖析驅動智能湧現的算法機製，並審視其在人類認知與社會結構中的深刻影響，展望未來智能發展的無限可能與潛在挑戰。 第一章：從邏輯到學習——智能的基石演進 智能的萌芽，可以追溯到人類對邏輯推理的早期探索。從古希臘先賢的幾何學公理到形式邏輯的建立，我們試圖用嚴謹的規則來模擬和理解世界。然而，現實世界遠比形式係統復雜多變。傳統的“規則導嚮”方法在麵對海量、非結構化的數據時顯得捉襟見肘。 本章將帶領讀者迴顧智能發展曆程中的幾個關鍵轉摺點。我們將首先探討“符號主義”的智能觀，它強調通過符號操作和規則推理來實現智能，並介紹早期基於邏輯和專傢係統的嘗試。然而，隨著數據量的爆炸式增長，符號主義的局限性日益凸顯。 隨後，我們將深入探討“連接主義”的興起，特彆是人工神經網絡的理論基礎。我們將從最簡單的感知器模型齣發，循序漸進地解析多層感知機、反嚮傳播算法等核心概念。理解這些結構和算法，如同理解神經網絡的“神經元”如何接收、處理信息，並最終形成對復雜模式的感知。我們將聚焦於神經網絡如何通過“學習”而非“編程”來適應數據，這種學習能力正是區彆於傳統智能方法的核心所在。 我們還將觸及“貝葉斯方法”在概率推理中的重要地位。概率模型如何幫助我們處理不確定性，以及如何利用先驗知識和觀測數據進行推理，將是本章的重點內容。理解貝葉斯定理，如同掌握瞭一套在信息不足的情況下做齣最優決策的工具。 第二章：數據驅動的煉金術——核心算法揭秘 如果說智能是目標，那麼算法便是實現目標的工具。本章將聚焦於那些構成現代智能核心的算法，它們如同煉金術士手中的秘方，將原始數據轉化為洞察與能力。 我們將從“監督學習”的範疇切入，詳細解析幾種最經典的算法。 綫性迴歸與邏輯迴歸： 作為最基礎的迴歸與分類模型，它們將幫助我們理解如何通過尋找數據的綫性關係來預測數值或區分類彆。我們將探討模型參數的優化過程，例如梯度下降法，理解其如何一步步逼近最優解。 支持嚮量機（SVM）： 這一強大的分類算法，將帶領我們進入“特徵空間”的奇妙世界。我們將理解最大間隔超平麵原理，以及核技巧如何將綫性不可分問題轉化為綫性可分問題，實現對復雜數據的精準劃分。 決策樹與隨機森林： 這類基於樹結構的算法，以其直觀易懂的特點而聞名。我們將學習如何構建決策樹，理解信息增益和基尼指數等劃分標準。隨機森林作為決策樹的集成學習方法，將揭示“弱學習器”如何通過集成來構建強大的預測模型，並探討其在防止過擬閤方麵的優勢。 K近鄰（KNN）： 這一簡單的“懶惰學習”算法，將讓我們理解基於距離的相似性度量。它雖然直觀，但其計算效率和對數據特徵的敏感性也為我們提供瞭寶貴的思考角度。 接著，我們將轉嚮“無監督學習”，探索算法如何在沒有標簽的情況下發現數據中的隱藏結構。 K-Means聚類： 這是最廣為人知的聚類算法之一。我們將學習如何將數據點分組到K個簇中，並理解其迭代優化的過程，以及如何評估聚類結果的質量。 主成分分析（PCA）： 這一降維技術，將幫助我們理解如何提取數據中最具代錶性的特徵，減少數據維度，從而提高後續算法的效率和可解釋性。我們將探討協方差矩陣和特徵值分解在PCA中的作用。 此外，我們還將簡要介紹“半監督學習”和“強化學習”這兩個重要領域。半監督學習如何在少量標記數據和大量未標記數據之間找到平衡；強化學習則模擬瞭智能體與環境的交互過程，通過“試錯”來學習最優策略，例如AlphaGo背後的算法原理，便是強化學習在遊戲領域的傑齣代錶。 第三章：感知世界的“眼睛”與“耳朵”——深度學習的革命 深度學習的齣現，無疑是近年來人工智能領域最激動人心的突破之一。它模仿人腦的層次化信息處理方式，構建齣擁有多層非綫性變換的神經網絡，從而能夠自動地從原始數據中學習到高度抽象的特徵錶示。本章將聚焦於深度學習的核心架構與關鍵技術。 捲積神經網絡（CNN）： 這是深度學習在計算機視覺領域的“眼睛”。我們將深入解析捲積層、池化層、激活函數等關鍵組件，理解它們如何有效地提取圖像中的空間特徵，從邊緣、紋理到更復雜的對象部分。我們將分析著名的CNN模型，如LeNet、AlexNet、VGG、ResNet等，理解它們在網絡結構設計上的演進與創新。 循環神經網絡（RNN）及其變種（LSTM, GRU）： 這是深度學習在處理序列數據，如文本、語音等方麵的“耳朵”與“大腦”。我們將理解RNN如何通過“記憶”來處理時間序列信息，以及長短期記憶網絡（LSTM）和門控循環單元（GRU）如何有效地解決傳統RNN的梯度消失問題，捕捉長距離依賴關係。 Transformer模型： 近年來在自然語言處理領域掀起革命的Transformer，將引領我們進入“注意力機製”的時代。我們將理解自注意力（Self-Attention）如何讓模型在處理序列時，不再受限於固定的順序，而是能夠根據信息的相關性動態地分配注意力權重。我們將探討其在機器翻譯、文本生成等任務上的巨大成功。 本章還將討論深度學習中的一些關鍵技術，如： 損失函數與優化器： 理解不同的損失函數如何衡量模型預測與真實值之間的差距，以及各種優化器（如Adam、RMSprop）如何加速模型的收斂。 正則化技術： Dropout、Batch Normalization等正則化方法如何幫助深度學習模型抵禦過擬閤，提高泛化能力。 遷移學習與預訓練模型： 利用在大規模數據集上預訓練的模型，通過少量微調即可適應新任務，極大地加速瞭模型的開發過程。 第四章：智能的邊界與倫理考量——人機共舞的未來 隨著算法的不斷演進，人工智能的能力邊界正在被不斷拓展，它們不僅在數據分析、模式識彆等領域超越人類，甚至開始涉足創意生成、決策輔助等更高級的認知任務。這場“人機大戰”，與其說是對抗，不如說是協作與融閤的開端。 本章將從更宏觀的視角審視人工智能的發展。 可解釋性AI（XAI）： 當模型變得越來越復雜，理解其決策過程變得尤為重要。我們將探討如何讓AI的“黑箱”變得更加透明，以便於我們信任、調試和改進AI係統。 AI的創造力： 從生成藝術到譜寫音樂，AI正在展現齣驚人的創造力。我們將討論AI如何通過學習海量藝術作品來生成新的創意，以及這種創造力對人類藝術創作的影響。 AI與就業： 自動化和智能化的發展，對傳統就業崗位帶來瞭挑戰。我們將探討AI如何重塑勞動力市場，以及人類如何通過提升技能、擁抱新職業來適應這一變革。 AI的倫理與安全： 偏見、歧視、隱私泄露、失控風險……這些都是人工智能發展過程中必須麵對的嚴峻挑戰。本章將深入探討AI倫理的基本原則，例如公平性、透明度、問責製，並分析如何構建安全可靠的AI係統，以確保技術的發展服務於人類的福祉。 通用人工智能（AGI）的暢想： 從特定領域的強人工智能，到具備人類通用認知能力的AGI，我們距離那個目標還有多遠？我們將探討AGI的定義、潛在的技術路徑以及它可能帶來的深刻社會變革。 結語： 《智海潮湧：算法的演進與智能的邊界》並非一本簡單的技術手冊，它是一場關於智能起源、發展及其未來命運的深度探索。我們希望通過對核心算法的細緻剖析，讓讀者對驅動人工智能的底層邏輯有清晰的認識。更重要的是，我們希望引發讀者對智能邊界的思考，以及對人機共舞的未來的審慎樂觀。理解智能，纔能更好地駕馭智能，與智能協同，共同開創一個更加美好的未來。

評分☆☆☆☆☆

最近入手瞭一本關於機器學習的書，本來抱著試試看的心態，沒想到讀完之後，對人工智能的整個認知都顛覆瞭。我一直以來都對那些在各種“人機大戰”中大放異彩的AI感到非常好奇，總覺得它們背後藏著什麼神秘的力量。這本書恰恰就滿足瞭我這種探索的欲望。它沒有像很多技術書籍那樣，上來就是一堆晦澀難懂的數學公式，而是用非常通俗易懂的語言，結閤大量的生動案例，將機器學習的核心概念娓娓道來。尤其是關於“學習”這個過程的闡述，更是讓我印象深刻。作者將復雜的算法比喻成一個不斷成長的“大腦”，通過海量的數據和反復的訓練，逐漸掌握解決問題的能力。這種描述方式，讓我仿佛看到瞭AI的“成長軌跡”，也更加理解瞭它們是如何在各種挑戰中脫穎而齣的。這本書不僅讓我對AI的技術層麵有瞭更深入的瞭解，更引發瞭我對於智能本質的思考，以及未來人類與AI的關係。

評分☆☆☆☆☆

這本書簡直是為我這種對“AI戰勝人類”的好奇寶寶量身定做的！我一直對那些在圍棋、撲剋甚至電競領域擊敗頂尖人類玩傢的AI感到震撼，總覺得它們背後一定隱藏著什麼驚人的秘密。這本書就像一把鑰匙，為我揭開瞭這些神秘麵紗。它沒有那種讓人望而卻步的專業術語，而是用非常生動形象的比喻和清晰的邏輯，一點點地剖析瞭機器學習的底層邏輯。我最喜歡的是書中對於“學習”過程的描述，它不再是冰冷的算法，而是像一個努力學習的學生，不斷通過試錯來優化自己的決策，這種過程非常有畫麵感。讀到後麵，我甚至開始思考，這種“學習”的能力，是否也意味著AI在某些方麵，正在超越人類的某些固有認知？這本書讓我對人工智能的理解，從“聽說過”變成瞭“理解瞭”，並且讓我對接下來的AI發展充滿瞭期待，也對我們人類自身智能的探索有瞭新的思考。

評分☆☆☆☆☆

說實話，我一直對那些在圍棋、電競等領域打敗人類高手的AI感到既驚嘆又好奇，總覺得它們背後一定有什麼“黑科技”。這本書就像是一本“AI揭秘手冊”，用一種非常接地氣的方式，把那些曾經讓我覺得高不可攀的機器學習概念，講得明明白白。我尤其喜歡作者在講解復雜的算法時，會穿插一些很有趣的故事和類比，比如把模型的訓練過程比作一個孩子在學習識彆貓和狗，通過大量的圖片來糾正自己的錯誤，直到能夠準確區分。這種方式讓我一下子就抓住瞭核心，而且感覺AI的“學習”過程並不是什麼遙不可及的事情，而是有著清晰的邏輯和可行的步驟。讀完之後，我對那些“人機大戰”的背後原理有瞭更深刻的理解，甚至開始思考，這種“機器的學習能力”，未來還能在哪些方麵幫助我們解決問題，甚至在某些領域超越我們人類的認知。這本書讓我對AI不再是停留在“震撼”的層麵，而是有瞭更深入的理解和更廣闊的想象。

評分☆☆☆☆☆

天哪，我最近讀完瞭一本讓我腦洞大開的書，雖然書名聽起來有點學術，但內容絕對比我想象的要精彩得多！我一直對人工智能，特彆是那些在圍棋、星際爭霸這類復雜博弈中戰勝人類頂尖選手的“AI”感到好奇。這本書就像給我打開瞭一個全新的世界，用一種非常易於理解的方式，揭示瞭這些“幕後英雄”——那些強大的機器學習算法——是如何工作的。它不是那種枯燥的數學公式堆積，而是通過生動的例子和故事，比如 AlphaGo 的崛起，讓我一點點理解瞭“學習”這個概念在機器身上的體現。我尤其喜歡作者在解釋一些核心概念時，會引入一些類比，比如把模型比作一個努力學習的學生，不斷從錯誤中吸取教訓，調整自己的理解。這種方式讓我在驚嘆於AI能力的同時，也對背後的原理産生瞭濃厚的興趣，甚至開始思考，這種“學習”的能力，未來還能在哪些領域大放異彩。這本書不僅僅是關於技術，更像是在探討智能的本質，以及人類與機器智能之間那種既競爭又閤作的未來。我強烈推薦給所有對AI感到好奇，想瞭解“AI到底是怎麼贏的”的朋友們！

評分☆☆☆☆☆

最近嘗試瞭一本關於人工智能的書，本來以為會是一本偏技術嚮的書，但讀下來之後，發現它更像是一部關於“智能進化史”的精彩敘事。作者以一種非常引人入勝的視角，帶領讀者迴顧瞭機器學習發展的幾個關鍵裏程碑，特彆是那些在人機大戰中引發巨大轟動的事件。我一直對這些“大事件”背後的技術細節感到好奇，而這本書恰好滿足瞭我的求知欲。它沒有迴避復雜的概念，但又巧妙地將它們融入到曆史的敘述中，讓我在不知不覺中就掌握瞭許多核心的機器學習思想。讀完這本書，我對“人工智能”不再隻是一個模糊的概念，而是有瞭更具體的認知，甚至能夠想象齣這些算法在不同場景下的應用。最讓我印象深刻的是，作者並沒有將AI描繪成一個遙不可及的“魔法”，而是將其看作是人類智慧不斷探索和創新的成果。這種觀點讓我覺得AI離我們並不遙遠，也更加期待它未來的發展。總而言之，這是一本既有深度又不失趣味的書，非常適閤那些想要深入瞭解AI，但又不想被大量技術術語嚇倒的讀者。