机器学习及其应用 下载 pdf 百度网盘 epub 免费 2025 电子版 mobi 在线

本书是关于机器学习的综合性教程，涵盖全部基础知识和理论，涉及不同应用领域的技术和算法。书中提出，机器学习背后的大多数想法都是简单且直接的。为了鼓励读者在实践中理解机器学习算法，本书提供一个配套平台，利用自我学习的机器学习项目，再结合一些基准测试应用的数据集，通过实验比较书中介绍的各类算法，从而实现深入理解。本书对于入门阶段的研究生和学者非常有益，会为进一步的深入研究打好基础。此外，本书也适合对机器学习感兴趣的工程师和其他技术人员阅读。

译者序

前言

致谢

作者简介

第1章引言

11走向智能机器

12良好的机器学习问题

13各种领域的应用实例

14数据表示

141时间序列预测

142练习数据集和现实问题数据集

15机器学习生产应用所需的领域知识

16多样化的数据：结构的/非结构的

17学习形式

171监督/直接学习

172无监督/间接学习

173强化学习

174基于自然过程的学习：进化、群智和免疫系统

18机器学习和数据挖掘

19机器学习技术中的基本线性代数知识

110机器学习的相关资源

第2章监督学习：基本原理和基础知识

21从观察中学习

22偏差和方差

23为什么学习是有效的：计算学习理论

24奥卡姆剃刀原理和防止过拟合

25归纳学习中的启发式搜索

251搜索假设空间

252集成学习

253学习系统的评估

26泛化误差估计

261留出法和随机子采样

262交叉验证

263自助法

27用于评估回归（数值预测）准确率的度量指标

271均方误差

272平均误差

28用于评估分类（模式识别）准确率的度量指标

281误分类的误差

282混淆矩阵

283基于ROC曲线的分类器比较

29机器学习中的设计周期和问题概述

第3章统计学习

31机器学习和推断统计分析

32学习技术中的描述统计学

321表示数据的不确定性：概率分布

322概率分布的描述性度量

323数据样本的描述性度量

324正态分布

325数据相似性

33贝叶斯推理：推理的一种概率方法

331贝叶斯定理

332朴素贝叶斯分类器

333贝叶斯信念网络

34k近邻分类器

35判别函数和回归函数

351分类和判别函数

352数值预测和回归函数

353实用假设函数

36基于小二乘误差准则的线性回归

361小化误差平方和以及伪逆

362梯度下降优化方案

363小均方算法

37用于分类任务的逻辑回归

38费希尔的线性判别和分类的阈值

381费希尔的线性判别

382阈值

39小描述长度原则

391贝叶斯视角

392熵和信息

第4章学习支持向量机

41引言

42二元分类的线性判别函数

43感知器算法

44用于线性可分离数据的线性边距的分类器

45用于重叠类的线性软边距分类器

46核函数约简的特征空间

47非线性分类器

48支持向量机的回归器

481线性回归器

482非线性回归器

49将多元分类问题分解为二元分类任务

491一对所有

492一对一

410基本SVM技术的变体

第5章基于神经网络的学习

51走向认知机器

52神经元模型

521生物神经元

522人工神经元

523数学模型

53网络架构

531前馈网络

532循环网络

54感知器

541线性分类任务中感知器算法的局限性

542使用回归技术的线性分类器

543标准梯度下降优化方案：速下降

55线性神经元和WidrowHoff学习规则

56误差修正的delta规则

57多层感知器网络和误差反向传播算法

571广义的delta规则

572收敛和局部小值

573为梯度下降增加动量项

574误差反向传播算法的启发式方面

58MLP网络的多元判别

59径向基函数网络

510遗传神经系统

第6章模糊推理系统

61引言

62认知不确定性和模糊规则库

63知识的模糊量化

631模糊逻辑

632模糊集

633模糊集操作

634模糊关系

64模糊规则库和近似推理

641通过模糊关系量化规则

642输入的模糊化

643推理机制

644推断模糊集的去模糊化

65模糊推理系统的MAMDANI模型

651移动障碍物中的移动机器人导航

652抵押贷款评估

66TS模糊模型

67神经模糊推理系统

671ANFIS架构

672ANFIS如何学习

68遗传模糊系统

第7章数据聚类和数据转换

71无监督学习

72数据工程

721探索性数据分析：了解数据中的内容

722聚类分析：查找数据中的相似性

723数据转换：增强数据的信息内容

73基本聚类方法概述

731分割聚类

732层次聚类

733谱聚类

734使用自组织映射进行聚类

74K均值聚类

75模糊K均值聚类

76期望化算法和高斯混合聚类

761EM算法

762高斯混合模型

77一些有用的数据转换

771数据清洗

772衍生属性

773离散化数值属性

774属性约简技术

78基于熵的属性离散化方法

79用于属性约简的主成分分析

710基于粗糙集的属性约简方法

7101粗糙集基础

7102属性相关性分析

7103属性约简

第8章决策树学习

8.1引言

8.2决策树分类的例子

8.3评估决策树分裂的不纯度度量

8.3.1信息增益/熵减少

8.3.2增益比

8.3.3基尼系数

8.4 ID3、C45以及CART决策树

8.5树的剪枝

8.6决策树方法的优势和劣势

8.7模糊决策树

第9章商业智能与数据挖掘：技术和应用

9.1关于分析的简介

9.1.1机器学习、数据挖掘和预测分析

9.1.2基本分析技术

9.2CRISPDM(跨行业数据挖掘标准流程)模型

9.3数据仓库和在线分析处

---作者简介---

M. 戈帕尔（M. Gopal） 机器学习领域的知名学者，曾任印度理工学院教授，拥有40余年的教学及研究经验，感兴趣的方向为机器学习、模式识别和智能控制。他的教材和视频课程在全球范围内广为采用，是YouTube上颇受欢迎的课程之一，学生数以百万计。

---译者简介---

黄智濒 计算机系统结构博士，北京邮电大学计算机学院讲师。长期从事机器学习、超大规模并行计算、GPU加速计算以及三维计算机视觉和深度学习架构方面的研究。

杨武兵 博士，中国航天空气动力技术研究院研究员，长期从事计算空气动力学、流动稳定性和湍流等方面的研究。其团队长期致力于用深度神经网络和各类机器学习方法，研究基于大涡模拟和直接数值模拟的流场流动结构的智能识别技术，推进人工智能在空气动力学领域的应用。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：机器学习及其应用在线阅读

在线听书地址：机器学习及其应用在线收听

在线购买地址：机器学习及其应用在线购买

暂无原文赏析，正在全力查找中！

前言

在过去的20年中，机器学习领域已成为信息技术的支柱之一。研究人员已经开发了许多成功的机器学习应用程序，例如：制造业中用于装配线自动化的机器视觉（图像处理），生物识别，手写识别，医学诊断，语音识别，文本检索，自然语言处理，等等。今天的机器学习如此普遍，你可能每天都会使用几次，而不知道它的存在。这种“普遍存在的”或“不可见的”用法的示例包括搜索引擎、客户自适应Web服务、电子邮件管理器（垃圾邮件过滤器）、计算机网络安全等。我们正在重新思考自己一直在做的所有事情，目的是使用机器学习工具以不同的方式实现这些应用，以获得更大的成功。

许多组织经常捕获大量的描述其运营、产品和客户的历史数据。与此同时，科学家和工程师正在捕捉越来越复杂的数据集。例如，银行正在收集大量客户数据，以分析人们如何花钱;医院正在记录患者接受哪些治疗和治疗的时间段（以及他们的应对措施）;汽车中的发动机监控系统正在记录有关发动机的信息，以便检测发动机何时可能发生故障;世界各地的天文台正在存储令人难以置信的高分辨率夜空图像;医学科学正在存储通过各种测量（如核磁共振成像（MRI）扫描和简单的血液测试）获得的医学测试结果;生物信息学正在存储大量数据，用来测量DNA微阵列中的基因表达；等等。机器学习领域解决了如何好地利用这些历史数据来发现一般模式并改进决策过程的问题。

学习领域中的术语非常多样化，并且通常类似的概念却命名不同。在本书中主要采用术语机器学习(machine learning)来描述各种概念，可是诸如机器智能、模式识别、统计学习、数据挖掘、软计算、数据分析（在商业环境中应用时）的术语也会出现在不同的场景下。

在构成机器学习领域基础的理论和算法方面，我们取得了重要进展。本教材的目标是介绍该理论的基本概念，以及可应用于不同问题的各种技术（算法）。许多机器学习算法并未包含在本书中，而这些算法在特定情况下非常有效。但是，这些算法几乎都是对本书中包含的算法的改编，通过自学将很容易获得所需的知识。

基本上，有两种方法可用于理解机器学习领域。在种方法中，我们将机器学习技术视为“黑匣子”，并专注于理解感兴趣的问题（任务）：将这些任务与机器学习工具相匹配并评估输出的质量。这为我们提供了实际案例研究中机器学习的实践经验。随后，我们通过检查机器学习算法深入研究这个黑盒子的组件（理论原理驱动的讲解对于机器学习是有效的）。第二种方法是从理论开始，接下来是实践经验。

本书采用的是第二种方法。我们专注于机器学习理论。对于实践经验，我们提供一些机器学习项目供读者自主学习。

在本书中，读者不仅可以获得关于机器学习的理论基础，还可以获得快速有效地将这些技术应用于挑战性问题所需的实用方法：学习如何概念化一个问题，了解如何表示数据，选择和调优算法，能够恰当地解释结果，对结果进行有效分析以制定决策。鉴于机器学习背后的大多数想法非常简单明了，本书在非严格的数学环境中提出机器学习概念和技术，重点是使用机器学习来解决实际问题的有效方法。这是一本关于机器学习的综合性书籍，涵盖了广泛的主题，特别强调那些有用的技术（算法），并有效利用了现有的知识库。

机器学习借鉴了许多领域的概念和技术，包括计算统计学（旨在设计用于在计算机上实施统计方法的算法的学科）、人工智能、信息论、数学优化、生物学、认知科学和控制理论。本书的主要目标是用一本书实现对该领域的广泛描述。书中根据需要介绍了各个领域的基本概念，重点关注与机器学习相关的那些概念。尽管书中已经给出了所需的材料，但是了解概率、统计和线性代数对于学习本书将是有用的。

本书介绍的代机器学习算法，已被证明在具有数值特征的各种实际应用中具有重要价值。但是，这些算法也有很大的局限性，例如，虽然有些学习算法可用于对图像、文本或语音进行分类，但我们仍然缺乏有效的算法来学习由这些不同媒体的组合所表示的数据。此外，虽然大多数学习算法在具有数万个训练样例的数据集上表现良好，但许多重要数据集明显更大。互联网和企业内部网上可用数据的体量和差异（结构化/非结构化）非常大并且增长迅速。扩展到复杂的、非常大的数据集——大数据分析——可能是当前争论多的问题。鉴于这些和其他限制（尽管这些限制有很大的商业利益），我们可能期望在接下来的10年中，在现有技术水平上产生跨越数量级的进步。深度学习算法正在成为非常强大的下一代工具。与大多数其他技术领域一样，数据挖掘存在于不断变化的环境中，不仅重新定义了蓝图的老旧部分，而且在新的兴趣领域始终处于领先地位。

本书解释了所有学习算法，以便学生可以轻松地从书中的等式转移到计算机程序。免费软件的扩散使机器学习更容易实施，也将有助于项目工作。机器学习库的多样性意味着学生有机会选择可使用的编程语言或环境。

有许多机器学习网站提供有关机器学习软件的信息。一些流行的软件源是R、SAS、Python、Weka、MATLAB、Excel和Tableau。

本书不推广任何特定的软件。书中包含了大量示例，但我们使用的示意数据集足够小，以便读者可