《圖解機(jī)器學(xué)習(xí)》用豐富的圖示,從ZUI小二乘法出發(fā),對基于ZUI小二乘法實(shí)現(xiàn)的各種機(jī)器學(xué)習(xí)算法進(jìn)行了詳細(xì)的介紹。第Ⅰ部分介紹了機(jī)器學(xué)習(xí)領(lǐng)域的概況;第Ⅱ部分和第Ⅲ部分分別介紹了各種有監(jiān)督的回歸算法和分類算法;第Ⅳ部分介紹了各種監(jiān)督學(xué)習(xí)算法;第Ⅴ部分介紹了機(jī)器學(xué)習(xí)領(lǐng)域中的新興算法。書中大部分算法都有相應(yīng)的MATLAB程序源代碼,可以用來進(jìn)行簡單的測試。
187張圖解輕松入門
提供可執(zhí)行的Matlab程序代碼
覆蓋機(jī)器學(xué)習(xí)中最經(jīng)典、用途最廣的算法
專業(yè)實(shí)用
東京大學(xué)教授、機(jī)器學(xué)習(xí)專業(yè)專家執(zhí)筆,濃縮機(jī)器學(xué)習(xí)的關(guān)鍵知識點(diǎn)
圖文并茂
187張圖示幫助理解,詳略得當(dāng),為讀懂大部頭開路。
角度新穎
基于最小二乘法講解各種有監(jiān)督學(xué)習(xí)的回歸和分類算法,以及無監(jiān)督學(xué)習(xí)算法。
實(shí)戰(zhàn)導(dǎo)向
配有可執(zhí)行的MATLAB程序代碼,邊學(xué)習(xí)邊實(shí)踐。
機(jī)器學(xué)習(xí)領(lǐng)域是深不可測的嗎?人工智能是天方夜譚嗎?時至今日,機(jī)器學(xué)習(xí)研究的重要性與可行性已得到廣泛承認(rèn),并在模式識別、通信、控制、金融、機(jī)器人、生物信息學(xué)等許多領(lǐng)域都有著廣泛的應(yīng)用。
如何自動歸類篩選郵件和網(wǎng)頁?如何向大家推薦你可能感興趣的人?如何預(yù)測整體市場行情的好壞?如何從統(tǒng)計(jì)學(xué)的角度對照片進(jìn)行歸類?本書就介紹了這樣一些算法。
如果想得到最通俗、簡潔的講解,本書最為合適。
如果想立即知道算法的性能,并期望有可運(yùn)行的源代碼,本書最為方便。
很多人都是看著日本的動畫長大的。殊不知,大部分日本人都具有熟練的繪畫能力。他們總可以把復(fù)雜、枯燥的事物用惟妙惟肖的漫畫生動地表達(dá)出來。廣告、網(wǎng)頁、海報(bào),甚至政府公告都圖文并茂。市面上也有不計(jì)其數(shù)的“圖解……”“圖說……”一類的書籍。本書就是其中一例,這也是本書的最大特點(diǎn)。
杉山將博士今年赴任東京大學(xué)教授,他在機(jī)器學(xué)習(xí)領(lǐng)域頗有建樹。他的研究室吸引了來自世界各地的機(jī)器學(xué)習(xí)研究者。本書承襲了日本特有的繪畫特色,依靠作者豐富的機(jī)器學(xué)習(xí)經(jīng)驗(yàn),用最精簡的文字,將原本復(fù)雜抽象的數(shù)學(xué)原理,用形象的漫畫與數(shù)據(jù)圖形進(jìn)行了清晰的說明。作者也將最前沿和最核心的研究成果匯集到了本書之中。
本書的側(cè)重點(diǎn)不在于機(jī)器學(xué)習(xí)原理的相關(guān)推導(dǎo),而在于結(jié)論的分析和應(yīng)用。讀者朋友可以更快地掌握各種算法的特點(diǎn)和使用方法,提綱挈領(lǐng)地消化應(yīng)用,而不必拘泥于算法的細(xì)節(jié)不能自拔。另外,本書旁征博引,圖文并茂,結(jié)構(gòu)清晰,范例實(shí)用豐富,深入淺出地說明了機(jī)器學(xué)習(xí)中最典型和用途最廣泛的算法。
本書內(nèi)容覆蓋面廣,不但與市面上眾多的機(jī)器學(xué)習(xí)書籍并無重復(fù),更可與其互為補(bǔ)充。大部分算法都有簡潔、現(xiàn)成的MATLAB源代碼,讀者朋友可以輕松地進(jìn)行驗(yàn)證。以此為原型,再稍加修改擴(kuò)充,即可做出為自己所用的項(xiàng)目代碼。
機(jī)器學(xué)習(xí)領(lǐng)域日新月異,書中所涉及的概念和術(shù)語數(shù)目繁多,且有許多概念和術(shù)語目前尚無公認(rèn)的中文譯法。如果有不合讀者朋友習(xí)慣的術(shù)語出現(xiàn),請參考譯者注,確認(rèn)其原始詞意。
本譯稿得到了圖靈公司編輯的悉心指導(dǎo),她們?yōu)楸WC本書的質(zhì)量做了大量的補(bǔ)譯、校正及編輯工作,在此表示深深的謝意。
許永偉
2014年12月于東京
杉山將,1974年生于大阪。東京工業(yè)大學(xué)計(jì)算機(jī)工程學(xué)博士畢業(yè),現(xiàn)為東京大學(xué)教授、日本國立信息學(xué)研究所客座教授。主要從事機(jī)器學(xué)習(xí)的理論研究和算法開發(fā),以及在信號和圖像處理等方面的應(yīng)用。2011年獲日本信息處理學(xué)會長尾真紀(jì)念特別獎。著有《統(tǒng)計(jì)機(jī)器學(xué)習(xí)》、DensityRatioEstimationinMachineLearning等。同時也是PatternRecognitionandMachineLearning日文版的譯者之一。
許永偉,2009年赴東京大學(xué)攻讀博士學(xué)位,現(xiàn)于東京大學(xué)空間信息科學(xué)研究所從事博士后研究(特任研究員)。主要研究方向?yàn)槟J阶R別與機(jī)器學(xué)習(xí)、圖像處理與計(jì)算機(jī)視覺,對數(shù)據(jù)挖掘、大數(shù)據(jù)和信息架構(gòu)有濃厚興趣。
第I部分 緒 論
第1章 什么是機(jī)器學(xué)習(xí)
1.1 學(xué)習(xí)的種類
1.2 機(jī)器學(xué)習(xí)任務(wù)的例子
1.3 機(jī)器學(xué)習(xí)的方法
第2章 學(xué)習(xí)模型
2.1 線性模型
2.2 核模型
2.3 層級模型
第II部分 有監(jiān)督回歸
第3章 最小二乘學(xué)習(xí)法
3.1 最小二乘學(xué)習(xí)法
3.2 最小二乘解的性質(zhì)
3.3 大規(guī)模數(shù)據(jù)的學(xué)習(xí)算法
第4章帶有約束條件的最小二乘法
4.1 部分空間約束的最小二乘學(xué)習(xí)法
4.2。2 約束的最小二乘學(xué)習(xí)法
4.3 模型選擇
第5章 稀疏學(xué)習(xí)
5.1。1 約束的最小二乘學(xué)習(xí)法
5.2 l1 約束的最小二乘學(xué)習(xí)的求解方法
5.3 通過稀疏學(xué)習(xí)進(jìn)行特征選擇
5.4。靝約束的最小二乘學(xué)習(xí)法
5.5 l1+l2 約束的最小二乘學(xué)習(xí)法
第6章 魯棒學(xué)習(xí)
6.1。1 損失最小化學(xué)習(xí)
6.2 Huber損失最小化學(xué)習(xí)
6.3 圖基損失最小化學(xué)習(xí)
6.4。1 約束的Huber損失最小化學(xué)習(xí)
第III部分 有監(jiān)督分類
第7章 基于最小二乘法的分類
7.1 最小二乘分類
7.2 0/1 損失和間隔
7.3 多類別的情形
第8章 支持向量機(jī)分類
8.1 間隔最大化分類
8.2 支持向量機(jī)分類器的求解方法
8.3 稀疏性
8.4 使用核映射的非線性模型
8.5 使用Hinge損失最小化學(xué)習(xí)來解釋
8.6 使用Ramp損失的魯棒學(xué)習(xí)
第9章 集成分類
9.1 剪枝分類
9.2 Bagging學(xué)習(xí)法
9.3 Boosting 學(xué)習(xí)法
第10章 概率分類法
10.1 Logistic回歸
10.2 最小二乘概率分類
第11 章序列數(shù)據(jù)的分類
11.1 序列數(shù)據(jù)的模型化
11.2 條件隨機(jī)場模型的學(xué)習(xí)
11.3 利用條件隨機(jī)場模型對標(biāo)簽序列進(jìn)行預(yù)測
第IV部分 監(jiān)督學(xué)習(xí)
第12章 異常檢測
12.1 局部異常因子
12.2 支持向量機(jī)異常檢測
12.3 基于密度比的異常檢測
第13章 監(jiān)督降維
13.1 線性降維的原理
13.2 主成分分析
13.3 局部保持投影
13.4 核函數(shù)主成分分析
13.5 拉普拉斯特征映射
第14章 聚類
14.1 K均值聚類
14.2 核K均值聚類
14.3 譜聚類
14.4 調(diào)整參數(shù)的自動選取
第V部分 新興機(jī)器學(xué)習(xí)算法
第15章 在線學(xué)習(xí)
15.1 被動攻擊學(xué)習(xí)
15.2 適應(yīng)正則化學(xué)習(xí)
第16章 半監(jiān)督學(xué)習(xí)
16.1 靈活應(yīng)用輸入數(shù)據(jù)的流形構(gòu)造
16.2 拉普拉斯正則化最小二乘學(xué)習(xí)的求解方法
16.3 拉普拉斯正則化的解釋
第17章 監(jiān)督降維
17.1 與分類問題相對應(yīng)的判別分析
17.2 充分降維
第18章 遷移學(xué)習(xí)
18.1 協(xié)變量移位下的遷移學(xué)習(xí)
18.2 類別平衡變化下的遷移學(xué)習(xí)
第19章 多任務(wù)學(xué)習(xí)
19.1 使用最小二乘回歸的多任務(wù)學(xué)習(xí)
19.2 使用最小二乘概率分類器的多任務(wù)學(xué)習(xí)
19.3 多次維輸出函數(shù)的學(xué)習(xí)
第VI部分 結(jié) 語
第20章 總結(jié)與展望
參考文獻(xiàn)