当前位置:主页 > 课后答案 > 机器学习习题答案
机器学习

《机器学习》课后习题答案

  • 更新:2021-12-25
  • 大小:1.17 MB
  • 类别:机器学习
  • 作者:周志华
  • 出版:清华大学出版社
  • 格式:PDF

  • 资源介绍
  • 相关推荐

机器学习》是清华大学出版社出版发行的书籍,作者是周志华。

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解。

作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介.

目录

  • 第1章 1
  • 1.1 引言 1
  • 1.2 基本术 2
  • 1.3 假设空间 4
  • 1.4 归纳偏好 6
  • 1.5 发展历程 10
  • 1.6 应用现状 13
  • 1.7 阅读材料 16
  • 习题 19
  • 参考文献 20
  • 休息一会儿 22
  • 第2章 模型评估与选择 23
  • 2.1 经验误差与过拟合 23
  • 2.2 评估方法 24
  • 2.2.1 留出法 25
  • 2.2.2 交叉验证法 26
  • 2.2.3 自助法 27
  • 2.2.4 调参与最终模型 28
  • 2.3 性能度量 28
  • 2.3.1 错误率与精度 29
  • 2.3.2 查准率、查全率与F1 30
  • 2.3.3 ROC与AUC 33
  • 2.3.4 代价敏感错误率与代价曲线 35
  • 2.4 比较检验 37
  • 2.4.1 假设检验 37
  • 2.4.2 交叉验证t检验 40
  • 2.4.3 McNemar检验 41
  • 2.4.4 Friedman检验与后续检验 42
  • 2.5 偏差与方差 44
  • 2.6 阅读材料 46
  • 习题 48
  • 参考文献 49
  • 休息一会儿 51
  • 第3章 线性模型 53
  • 3.1 基本形式 53
  • 3.2 线性回归 53
  • 3.3 对数几率回归 57
  • 3.4 线性判别分析 60
  • 3.5 多分类学习 63
  • 3.6 类别不平衡问题 66
  • 3.7 阅读材料 67
  • 习题 69
  • 参考文献 70
  • 休息一会儿 72
  • 第4章 决策树 73
  • 4.1 基本流程 73
  • 4.2 划分选择 75
  • 4.2.1 信息增益 75
  • 4.2.2 增益率 77
  • 4.2.3 基尼指数 79
  • 4.3 剪枝处理 79
  • 4.3.1 预剪枝 80
  • 4.3.2 后剪枝 82
  • 4.4 连续与缺失值 83
  • 4.4.1 连续值处理 83
  • 4.4.2 缺失值处理 85
  • 4.5 多变量决策树 88
  • 4.6 阅读材料 92
  • 习题 93
  • 参考文献 94
  • 休息一会儿 95
  • 第5章 神经网络 97
  • 5.1 神经元模型 97
  • 5.2 感知机与多层网络 98
  • 5.3 误差逆传播算法 101
  • 5.4 全局最小与局部极小 106
  • 5.5 其他常见神经网络 108
  • 5.5.1 RBF网络 108
  • 5.5.2 ART网络 108
  • 5.5.3 SOM网络 109
  • 5.5.4 级联相关网络 110
  • 5.5.5 Elman网络 111
  • 5.5.6 Boltzmann机 111
  • 5.6 深度学习 113
  • 5.7 阅读材料 115
  • 习题 116
  • 参考文献 117
  • 休息一会儿 120
  • 第6章 支持向量机 121
  • 6.1 间隔与支持向量 121
  • 6.2 对偶问题 123
  • 6.3 核函数 126
  • 6.4 软间隔与正则化 129
  • 6.5 支持向量回归 133
  • 6.6 核方法 137
  • 6.7 阅读材料 139
  • 习题 141
  • 参考文献 142
  • 休息一会儿 145
  • 第7章 贝叶斯分类器 147
  • 7.1 贝叶斯决策论 147
  • 7.2 极大似然估计 149
  • 7.3 朴素贝叶斯分类器 150
  • 7.4 半朴素贝叶斯分类器 154
  • 7.5 贝叶斯网 156
  • 7.5.1 结构 157
  • 7.5.2 学习 159
  • 7.5.3 推断 161
  • 7.6 EM算法 162
  • 7.7 阅读材料 164
  • 习题 166
  • 参考文献 167
  • 休息一会儿 169
  • 第8章 集成学习 171
  • 8.1 个体与集成 171
  • 8.2 Boosting 173
  • 8.3 Bagging与随机森林 178
  • 8.3.1 Bagging 178
  • 8.3.2 随机森林 179
  • 8.4 结合策略 181
  • 8.4.1 平均法 181
  • 8.4.2 投票法 182
  • 8.4.3 学习法 183
  • 8.5 多样性 185
  • 8.5.1 误差--分歧分解 185
  • 8.5.2 多样性度量 186
  • 8.5.3 多样性增强 188
  • 8.6 阅读材料 190
  • 习题 192
  • 参考文献 193
  • 休息一会儿 196
  • 第9章 聚类 197
  • 9.1 聚类任务 197
  • 9.2 性能度量 197
  • 9.3 距离计算 199
  • 9.4 原型聚类 202
  • 9.4.1 k均值算法 202
  • 9.4.2 学习向量量化 204
  • 9.4.3 高斯混合聚类 206
  • 9.5 密度聚类 211
  • 9.6 层次聚类 214
  • 9.7 阅读材料 217
  • 习题 220
  • 参考文献 221
  • 休息一会儿 224
  • 第10章 降维与度量学习 225
  • 10.1 k近邻学习 225
  • 10.2 低维嵌入 226
  • 10.3 主成分分析 229
  • 10.4 核化线性降维 232
  • 10.5 流形学习 234
  • 10.5.1 等度量映射 234
  • 10.5.2 局部线性嵌入 235
  • 10.6 度量学习 237
  • 10.7 阅读材料 240
  • 习题 242
  • 参考文献 243
  • 休息一会儿 246
  • 第11章 特征选择与稀疏学习 247
  • 11.1 子集搜索与评价 247
  • 11.2 过滤式选择 249
  • 11.3 包裹式选择 250
  • 11.4 嵌入式选择与L$_1$正则化 252
  • 11.5 稀疏表示与字典学习 254
  • 11.6 压缩感知 257
  • 11.7 阅读材料 260
  • 习题 262
  • 参考文献 263
  • 休息一会儿 266
  • 第12章 计算学习理论 267
  • 12.1 基础知识 267
  • 12.2 PAC学习 268
  • 12.3 有限假设空间 270
  • 12.3.1 可分情形 270
  • 12.3.2 不可分情形 272
  • 12.4 VC维 273
  • 12.5 Rademacher复杂度 279
  • 12.6 稳定性 284
  • 12.7 阅读材料 287
  • 习题 289
  • 参考文献 290
  • 休息一会儿 292
  • 第13章 半监督学习 293
  • 13.1 未标记样本 293
  • 13.2 生成式方法 295
  • 13.3 半监督SVM 298
  • 13.4 图半监督学习 300
  • 13.5 基于分歧的方法 304
  • 13.6 半监督聚类 307
  • 13.7 阅读材料 311
  • 习题 313
  • 参考文献 314
  • 休息一会儿 317
  • 第14章 概率图模型 319
  • 14.1 隐马尔可夫模型 319
  • 14.2 马尔可夫随机场 322
  • 14.3 条件随机场 325
  • 14.4 学习与推断 328
  • 14.4.1 变量消去 328
  • 14.4.2 信念传播 330
  • 14.5 近似推断 331
  • 14.5.1 MCMC采样 331
  • 14.5.2 变分推断 334
  • 14.6 话题模型 337
  • 14.7 阅读材料 339
  • 习题 341
  • 参考文献 342
  • 休息一会儿 345
  • 第15章 规则学习 347
  • 15.1 基本概念 347
  • 15.2 序贯覆盖 349
  • 15.3 剪枝优化 352
  • 15.4 一阶规则学习 354
  • 15.5 归纳逻辑程序设计 357
  • 15.5.1 最小一般泛化 358
  • 15.5.2 逆归结 359
  • 15.6 阅读材料 363
  • 习题 365
  • 参考文献 366
  • 休息一会儿 369
  • 第16章 强化学习 371
  • 16.1 任务与奖赏 371
  • 16.2 $K$-摇臂赌博机 373
  • 16.2.1 探索与利用 373
  • 16.2.2 $\epsilon $-贪心 374
  • 16.2.3 Softmax 375
  • 16.3 有模型学习 377
  • 16.3.1 策略评估 377
  • 16.3.2 策略改进 379
  • 16.3.3 策略迭代与值迭代 381
  • 16.4 免模型学习 382
  • 16.4.1 蒙特卡罗强化学习 383
  • 16.4.2 时序差分学习 386
  • 16.5 值函数近似 388
  • 16.6 模仿学习 390
  • 16.6.1 直接模仿学习 391
  • 16.6.2 逆强化学习 391
  • 16.7 阅读材料 393
  • 习题 394
  • 参考文献 395
  • 休息一会儿 397
  • 附录 399
  • A 矩阵 399
  • B 优化 403
  • C 概率分布 409
  • 后记 417
  • 索引 419

资源下载

资源下载地址1:https://pan.baidu.com/s/18aWY8jHYUVQLniA8zX2adw

网友留言