图解机器学习 PDF 高清版

内容简介

本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种无监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。

本书适合所有对机器学习有兴趣的初学者阅读。

187张图解轻松入门

提供可执行的Matlab程序代码

覆盖机器学习中最经典、用途最广的算法

专业实用

东京大学教授、机器学习权威专家执笔，浓缩机器学习的关键知识点

图文并茂

187张图示帮助理解，详略得当，为读懂大部头开路。

角度新颖

基于最小二乘法讲解各种有监督学习的回归和分类算法，以及无监督学习算法。

实战导向

配有可执行的MATLAB程序代码，边学习边实践。

目录

• 第I部分绪论
• 第1章什么是机器学习2
• 1.1学习的种类2
• 1.2机器学习任务的例子4
• 1.3机器学习的方法8
• 第2章学习模型12
• 2.1线性模型12
• 2.2核模型15
• 2.3层级模型17
• 第II部分有监督回归
• 第3章最小二乘学习法22
• 3.1最小二乘学习法22
• 3.2最小二乘解的性质25
• 3.3大规模数据的学习算法27
• 第4章带有约束条件的最小二乘法31
• 4.1部分空间约束的最小二乘学习法31
• 4.2ｌ2约束的最小二乘学习法33
• 4.3模型选择37
• 第5章稀疏学习43
• 5.1ｌ1约束的最小二乘学习法43
• 5.2ｌ1约束的最小二乘学习的求解方法45
• 5.3通过稀疏学习进行特征选择50
• 5.4ｌp约束的最小二乘学习法51
• 5.5ｌ1+ｌ2约束的最小二乘学习法52
• 第6章鲁棒学习55
• 6.1ｌ1损失最小化学习56
• 6.2Huber损失最小化学习58
• 6.3图基损失最小化学习63
• 6.4ｌ1约束的Huber损失最小化学习65
• 第III部分有监督分类
• 第7章基于最小二乘法的分类70
• 7.1最小二乘分类70
• 7.20/1损失和间隔73
• 7.3多类别的情形76
• 第8章支持向量机分类80
• 8.1间隔最大化分类80
• 8.2支持向量机分类器的求解方法83
• 8.3稀疏性86
• 8.4使用核映射的非线性模型88
• 8.5使用Hinge损失最小化学习来解释90
• 8.6使用Ramp损失的鲁棒学习93
• 第9章集成分类98
• 9.1剪枝分类98
• 9.2Bagging学习法101
• 9.3Boosting学习法105
• 第10章概率分类法112
• 10.1Logistic回归112
• 10.2最小二乘概率分类116
• 第11章序列数据的分类121
• 11.1序列数据的模型化122
• 11.2条件随机场模型的学习125
• 11.3利用条件随机场模型对标签序列进行预测128
• 第IV部分无监督学习
• 第12章异常检测132
• 12.1局部异常因子132
• 12.2支持向量机异常检测135
• 12.3基于密度比的异常检测137
• 第13章无监督降维143
• 13.1线性降维的原理144
• 13.2主成分分析146
• 13.3局部保持投影148
• 13.4核函数主成分分析152
• 13.5拉普拉斯特征映射155
• 第14章聚类158
• 14.1K均值聚类158
• 14.2核K均值聚类160
• 14.3谱聚类161
• 14.4调整参数的自动选取163
• 第V部分新兴机器学习算法
• 第15章在线学习170
• 15.1被动攻击学习170
• 15.2适应正则化学习176
• 第16章半监督学习181
• 16.1灵活应用输入数据的流形构造182
• 16.2拉普拉斯正则化最小二乘学习的求解方法183
• 16.3拉普拉斯正则化的解释186
• 第17章监督降维188
• 17.1与分类问题相对应的判别分析188
• 17.2充分降维195
• 第18章迁移学习197
• 18.1协变量移位下的迁移学习197
• 18.2类别平衡变化下的迁移学习204
• 第19章多任务学习212
• 19.1使用最小二乘回归的多任务学习212
• 19.2使用最小二乘概率分类器的多任务学习215
• 19.3多次维输出函数的学习216
• 第VI部分结语
• 第20章总结与展望222
• 参考文献225