機器學習是人工智能的重要技術基礎，涉及的內(nèi)容十分廣泛。本書涵蓋了機器學習和深度學習的基礎知識，主要包括機器學習的概述、統(tǒng)計學基礎、分類、聚類、神經(jīng)網(wǎng)絡、貝葉斯網(wǎng)絡、支持向量機、文本分析、分布式機器學習算法等經(jīng)典的機器學習基礎知識，還包括卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、生成對抗網(wǎng)絡、目標檢測、自編碼器等深度學習的內(nèi)容。此外，本書還介紹了機器學習的熱門應用領域推薦系統(tǒng)以及強化學習等主題。
本書深入淺出、內(nèi)容全面、案例豐富，每章都提供Python程序代碼和習題，供讀者鞏固所學知識。另外，本書還為讀者提供了配套的微課視頻。
（1）作者來自復旦大學，在國內(nèi)具有一定的影響力，常舉辦相關的培訓和講座。
（2）教材難度適中、系統(tǒng)性強，內(nèi)容基本覆蓋了機器學習和深度學習的核心內(nèi)容，深入淺出，適合初學者。知識與時俱進，進行了更新。
（3）教材配套資料齊全，包括對應的PPT、數(shù)據(jù)素材、程序源代碼、測試題等，另外還提供配套的視頻。
（4）實踐指導性強。作者結(jié)合20多家企業(yè)的實戰(zhàn)合作項目實踐，提供300多道原創(chuàng)的選擇題、填空和判斷題。還有40多個實戰(zhàn)案例供讀者實驗和實訓。
（5）工信部“十四五”規(guī)劃教材。
趙衛(wèi)東，復旦大學副教授，主要負責本科生和各類研究生機器學習、大數(shù)據(jù)核心技術和人工智能（機器學習）（商務數(shù)據(jù)分析）等課程的教學，2011年紐約大學訪問學者。人工智能（機器學習）被評為上海市精品課程以及CMOOC聯(lián)盟線上線下混合式教學改革項目，獲得2013年高等教育上海市教學成果獎二等獎。目前主要研究方向包括機器學習應用和大數(shù)據(jù)分析等。主持國家自然科學基金2項、國家重點研發(fā)計劃子課題、上海市浦江人才以及企業(yè)合作課題等30多項目。已在Knowledge and Information Systems ,Information Processing & Management，Information Systems Frontiers，Intelligent Data Analysis，Applied Intelligence等國內(nèi)外刊物和學術會議發(fā)表論文100多篇。出版專著、教材《機器學習》《機器學習案例實戰(zhàn)》《Python機器學習實戰(zhàn)案例》等10多部。獲得上海市2015年上海市科技進步二等獎。CDA三級認證數(shù)據(jù)科學家，騰訊云和百度云機器學習認證講師。
第 1章 機器學習概述 1
1.1 機器學習簡介 1
1.1.1 機器學習簡史 1
1.1.2 機器學習主要流派 3
1.2 機器學習、人工智能和數(shù)據(jù)挖掘 4
1.2.1 什么是人工智能 4
1.2.2 什么是數(shù)據(jù)挖掘 5
1.2.3 機器學習、人工智能與數(shù)據(jù)挖掘的關系 6
1.3 典型機器學習應用領域 6
1.4 機器學習算法 12
1.5 機器學習的一般流程 18
習題 19
第 2章 機器學習基本方法 20
2.1 統(tǒng)計分析 20
2.1.1 統(tǒng)計基礎 20
2.1.2 常見概率分布 25
2.1.3 參數(shù)估計 26
2.1.4 假設檢驗 28
2.1.5 線性回歸 28
2.1.6 邏輯回歸 32
2.1.7 判別分析 33
2.1.8 非線性模型 35
2.2 高維數(shù)據(jù)降維 35
2.2.1 主成分分析 35
2.2.2 奇異值分解 38
2.2.3 線性判別分析 39
2.2.4 局部線性嵌入 42
2.2.5 拉普拉斯特征映射 43
2.3 特征工程 44
2.3.1特征構造 44
2.3.2特征選擇 45
2.3.3特征提取 46
2.4 模型訓練 46
2.4.1 模型訓練常見術語 46
2.4.2 訓練數(shù)據(jù)收集 47
2.5 可視化分析 47
2.5.1 可視化分析的作用 48
2.5.2 可視化的基本流程 48
2.5.3 可視化分析方法 48
2.5.4 可視化分析常用工具 50
2.5.5 常見的可視化圖表 51
2.5.6 可視化分析面臨的挑戰(zhàn) 61
習題 61
第3章 決策樹與分類算法 63
3.1 決策樹算法 63
3.1.1 分支處理 65
3.1.2 連續(xù)屬性離散化 70
3.1.3 過擬合問題 72
3.1.4 分類效果評價 75
3.2 集成學習 79
3.2.1 裝袋法 79
3.2.2 提升法 80
3.2.3 GBDT 81
3.2.4 XGBoost算法 82
3.2.5 隨機森林 86
3.3 決策樹應用 88
習題 90
第4章 聚類分析 92
4.1 聚類分析概念 92
4.1.1 聚類方法分類 92
4.1.2 良好聚類算法的特征 93
4.2 聚類分析的度量 94
4.2.1 外部指標 94
4.2.2 內(nèi)部指標 95
4.3 基于劃分的聚類 96
4.3.1 k-均值算法 97
4.3.2 k-medoids算法 101
4.3.3 k-prototype算法 102
4.4 基于密度的聚類 102
4.4.1 DBSCAN算法 102
4.4.2 OPTICS算法 105
4.4.3 DENCLUE算法 105
4.5 基于層次的聚類 107
4.5.1 BIRCH聚類 108
4.5.2 CURE算法 110
4.6 基于網(wǎng)格的聚類 112
4.7 基于模型的聚類 113
4.7.1 概率模型聚類 113
4.7.2 模糊聚類 118
4.7.3 Kohonen神經(jīng)網(wǎng)絡聚類 118
習題 123
第5章 文本分析 124
5.1 文本分析介紹 124
5.2 文本特征提取及表示 125
5.2.1 TF-IDF 125
5.2.2 信息增益 125
5.2.3 互信息 126
5.2.4 卡方統(tǒng)計量 127
5.2.5 詞嵌入 127
5.2.6 語言模型 128
5.2.7 向量空間模型 129
5.3 知識圖譜 131
5.3.1 知識圖譜相關概念 132
5.3.2 知識圖譜的存儲 132
5.3.3 知識圖譜挖掘與計算 133
5.3.4 知識圖譜的構建過程 135
5.4 詞法分析 139
5.4.1 文本分詞 139
5.4.2 命名實體識別 142
5.4.3 詞義消歧 142
5.5 句法分析 143
5.6 語義分析 145
5.7 文本分析應用 146
5.7.1 文本分類 146
5.7.2 信息抽取 148
5.7.3 問答系統(tǒng) 149
5.7.4 情感分析 150
5.7.5 自動摘要 151
習題 152
第6章 神經(jīng)網(wǎng)絡 153
6.1 神經(jīng)網(wǎng)絡介紹 153
6.1.1 前饋神經(jīng)網(wǎng)絡 153
6.1.2 反饋神經(jīng)網(wǎng)絡 158
6.1.3 自組織神經(jīng)網(wǎng)絡 160
6.2 神經(jīng)網(wǎng)絡相關概念 161
6.2.1 激活函數(shù) 162
6.2.2 損失函數(shù) 171
6.2.3 學習率 175
6.2.4 過擬合與網(wǎng)絡正則化 179
6.2.5 預處理 181
6.2.6 訓練方式 182
6.2.7 模型訓練中的問題 182
6.2.8 神經(jīng)網(wǎng)絡效果評價 190
6.3 神經(jīng)網(wǎng)絡應用 190
習題 195
第7章 貝葉斯網(wǎng)絡 196
7.1 貝葉斯理論概述 196
7.2 貝葉斯概率基礎 196
7.2.1 概率論 196
7.2.2 貝葉斯概率 197
7.3 樸素貝葉斯分類模型 198
7.4 貝葉斯網(wǎng)絡推理 201
7.5 貝葉斯網(wǎng)絡的應用 206
7.5.1 中文分詞 206
7.5.2 機器翻譯 206
7.5.3 故障診斷 207
7.5.4 疾病診斷 207
習題 209
第8章 支持向量機 210
8.1 線性可分SVM 210
8.1.1 間隔與超平面 210
8.1.2 支持向量 210
8.1.3 對偶問題求解 212
8.1.4 軟間隔 213
8.2 非線性SVM 214
8.2.1 非線性SVM原理 214
8.2.2 常見核函數(shù) 214
8.3 支持向量機應用 215
習題 219
第9章 分布式機器學習 220
9.1 分布式機器學習基礎 220
9.1.1 參數(shù)服務器 220
9.1.2 分布式并行計算類型 221
9.2 分布式機器學習框架 222
9.3 并行決策樹 227
9.4 并行k-均值算法 228
習題 230
第 10章 深度學習基礎 231
10.1 卷積神經(jīng)網(wǎng)絡 231
10.1.1 卷積神經(jīng)網(wǎng)絡簡介 232
10.1.2 卷積神經(jīng)網(wǎng)絡的結(jié)構 232
10.1.3 卷積神經(jīng)網(wǎng)絡的訓練 241
10.1.4 常見卷積神經(jīng)網(wǎng)絡 243
10.2 循環(huán)神經(jīng)網(wǎng)絡 268
10.2.1 RNN基本原理 269
10.2.2 長短期記憶網(wǎng)絡 276
10.2.3 門限循環(huán)單元 280
10.2.4 循環(huán)神經(jīng)網(wǎng)絡的其他改進 281
10.3 深度學習流行框架 284
習題 285
第 11章 高級深度學習 286
11.1 高級循環(huán)神經(jīng)網(wǎng)絡 286
11.1.1詞嵌入 286
11.1.2自注意力模型 288
11.1.3多頭注意力機制 290
11.1.4 Transformer 291
11.1.5 BERT模型 294
11.2 無監(jiān)督式深度學習 295
11.2.1 深度信念網(wǎng)絡 295
11.2.2 自動編碼器網(wǎng)絡 297
11.3 生成對抗網(wǎng)絡 299
11.3.1 生成對抗網(wǎng)絡基本原理 299
11.3.2 常見的生成對抗網(wǎng)絡 302
11.4 遷移學習 305
11.5 對偶學習 307
習題 308
第 12章 推薦系統(tǒng) 309
12.1 推薦系統(tǒng)基礎 309
12.1.1 推薦系統(tǒng)的應用場景 309
12.1.2 相似度計算 310
12.2 推薦系統(tǒng)通用模型 312
12.2.1 推薦系統(tǒng)結(jié)構 312
12.2.2 基于人口統(tǒng)計學的推薦 313
12.2.3 基于內(nèi)容的推薦 313
12.2.4 基于協(xié)同過濾的推薦算法 314
12.2.5 基于圖的模型 316
12.2.6 基于關聯(lián)規(guī)則的推薦 318
12.2.7 基于知識的推薦 323
12.2.8 基于標簽的推薦 324
12.3 推薦系統(tǒng)評測 325
12.3.1 評測方法 325
12.3.2 評測指標 326
12.4 推薦系統(tǒng)常見問題 330
12.5 推薦系統(tǒng)實例 333
12.6 深度學習在推薦系統(tǒng)中的應用 340
習題 343
第 13章 強化學習 345
13.1 強化學習概況 345
13.2 強化學習基礎 346
13.2.1 馬爾可夫鏈 346
13.2.2 強化學習基本概念 346
13.2.3 強化學習的目標函數(shù) 348
13.2.4 價值函數(shù) 349
13.3 強化學習基本算法 353
13.3.1 蒙特卡洛強化學習 353
13.3.2 時序差分算法 355
13.3.3 SARSA算法 355
13.3.4 Q-Learning算法 356
13.4 深度強化學習 361
13.4.1 DQN算法 361
13.4.2 運動員-裁判員算法 367
習題 373
書單推薦
