四虎免费国产在线观看,2022年国产精品每日更新

機器學(xué)習(xí)專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，它是人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及人工智能的各個領(lǐng)域。本書是一本機器學(xué)習(xí)的入門書，通過本書，學(xué)習(xí)者將初步理解主流的機器學(xué)習(xí)算法，并且可以用機器學(xué)習(xí)技術(shù)解決現(xiàn)實生活中的問題。只要有本科三年級以上的數(shù)學(xué)知識，會一種編程語言，就可以掌握本書的絕大部分內(nèi)容。本書共有15章，主要講解經(jīng)典的機器學(xué)習(xí)算法，如線性回歸、邏輯回歸、決策樹等，同時講解近幾年才出現(xiàn)的算法，如XGBoost、LightGBM等集成學(xué)習(xí)算法。此外，本書還會講解利用機器學(xué)習(xí)解決問題的實用技術(shù)，如Python、Scikitlearn工具的使用等。本書配套有教學(xué)大綱、教學(xué)進度、教學(xué)課件、教學(xué)視頻及習(xí)題，可以作為�？粕�、本科生、研究生的機器學(xué)習(xí)教材，也可以作為從事機器學(xué)習(xí)、數(shù)據(jù)挖掘相關(guān)工作的研究人員和技術(shù)人員的參考書。

機器學(xué)習(xí)(machine learning)是研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為的一門學(xué)科，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)，使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及人工智能的各個領(lǐng)域。
作為計算機系統(tǒng)結(jié)構(gòu)專業(yè)的博士，本人一直致力于幫助機器學(xué)習(xí)初學(xué)者入門，主持和參與了很多國內(nèi)外優(yōu)秀作品的翻譯、代碼復(fù)現(xiàn)工作。比較有代表性的是吳恩達老師的機器學(xué)習(xí)課程的翻譯工作及機器學(xué)習(xí)和深度學(xué)習(xí)筆記的撰寫。
博士畢業(yè)后，本人成為一名大學(xué)教師，同時承擔(dān)了本科生和研究生機器學(xué)習(xí)課程的教學(xué)工作。在教學(xué)過程中，本人學(xué)習(xí)和借鑒了國內(nèi)外很多非常優(yōu)秀的機器學(xué)習(xí)課程或作品(如吳恩達老師的機器學(xué)習(xí)課程、李航老師的《統(tǒng)計學(xué)習(xí)方法》、周志華老師的《機器學(xué)習(xí)》等)。站在巨人的肩膀上，本人決定寫一本適合本科生和初學(xué)者的機器學(xué)習(xí)入門書。
本書初稿于2021年3月完成，并根據(jù)初稿的內(nèi)容進行授課。經(jīng)過3輪授課，本團隊對其中的部分內(nèi)容進行了調(diào)整，使其更適合初學(xué)者學(xué)習(xí)。同時，根據(jù)本書的內(nèi)容，制作了慕課，通過中國大學(xué)慕課向讀者開放，第一輪學(xué)習(xí)者超過1.1萬人，屬于比較熱門的課程。
本書的課件和代碼，已經(jīng)分享在Github。同時，原版課件分享給了國內(nèi)700多位大學(xué)教師，也收到了很多寶貴的意見。
本書定位為入門基礎(chǔ)課，通過本書，學(xué)習(xí)者將初步理解主流的機器學(xué)習(xí)算法，并且可以用機器學(xué)習(xí)技術(shù)解決現(xiàn)實生活中的問題。
本書對初學(xué)者來說，屬于雪中送炭，而不是錦上添花，更適合初學(xué)者學(xué)習(xí)，主要解決初學(xué)者的三個問題:
(1) 資料太多，難以取舍。
(2) 理論性強，初學(xué)比較困難。
(3) 代碼資料比較少。
本書共有15章，本書結(jié)構(gòu)大體分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩部分。監(jiān)督學(xué)習(xí)部分介紹了多種常見的機器學(xué)習(xí)算法，如k近鄰法(knearest neighbor,KNN)、線性回歸、支持向量機(support vector machine,SVM)、神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、邏輯回歸、集成學(xué)習(xí)等分類算法和回歸算法。無監(jiān)督學(xué)習(xí)部分則聚焦于聚類、降維、關(guān)聯(lián)規(guī)則等幾大問題，并對Kmeans、主成分分析(principal component analysis,PCA)等代表算法進行了介紹，還對關(guān)聯(lián)規(guī)則的主要算法進行講解。此外，本書的第2章為選修內(nèi)容，講解學(xué)習(xí)機器學(xué)習(xí)需要掌握的基本數(shù)學(xué)知識。
本書可以作為專科生、本科生、研究生的教材。作為本科生的教材時，第2章數(shù)學(xué)基礎(chǔ)回顧和第11章人工神經(jīng)網(wǎng)絡(luò)可以作為選修部分，建議課時: 理論課32課時，實驗課16～32課時。作為�？粕慕滩臅r，建議配合代碼進行課程講解，增加實驗部分課時，減少理論部分課時，建議課時: 理論課32課時，實驗課32課時。作為研究生的教材時，建議課時為36課時，實驗部分建議自學(xué)。
本書的課件和教案，可以分享給在職的教師，若有需要可在公眾號機器學(xué)習(xí)初學(xué)者留言。
在本書的編寫過程中，得到了很多人的支持和幫助，如李航老師和徐亦達老師，他們對本人的工作十分支持，在此表示感謝！
本人水平有限，如有公式、算法錯誤，歡迎各位讀者批評指正。

黃海廣2023年1月7日

第1章引言1
1.1機器學(xué)習(xí)概述1
1.2機器學(xué)習(xí)發(fā)展史2
1.3機器學(xué)習(xí)的類型5
1.3.1監(jiān)督學(xué)習(xí)5
1.3.2無監(jiān)督學(xué)習(xí)7
1.3.3強化學(xué)習(xí)8
1.4機器學(xué)習(xí)的主要概念9
1.4.1模型9
1.4.2損失函數(shù)9
1.4.3優(yōu)化算法10
1.4.4模型評估10
1.5機器學(xué)習(xí)的背景知識11
1.5.1數(shù)學(xué)基礎(chǔ)11
1.5.2編程基礎(chǔ)11
1.6機器學(xué)習(xí)的開發(fā)流程12
1.7本書概述13
1.7.1本書結(jié)構(gòu)13
1.7.2學(xué)習(xí)路線14
習(xí)題14
參考文獻16
第2章數(shù)學(xué)基礎(chǔ)回顧(選修)17
2.1數(shù)學(xué)基礎(chǔ)的必要性17
2.1.1數(shù)學(xué)基礎(chǔ)概述17
2.1.2符號定義17
2.2高等數(shù)學(xué)18
2.2.1導(dǎo)數(shù)的定義18〖3〗機器學(xué)習(xí)入門基礎(chǔ)（微課版）目錄〖3〗2.2.2左右導(dǎo)數(shù)的幾何意義和物理意義18
2.2.3函數(shù)的可導(dǎo)性與連續(xù)性之間的關(guān)系19
2.2.4平面曲線的切線和法線19
2.2.5四則運算法則19
2.2.6基本導(dǎo)數(shù)與微分表19
2.2.7復(fù)合函數(shù)、反函數(shù)、隱函數(shù)及參數(shù)方程所確定的函數(shù)的微分法20
2.2.8常用高階導(dǎo)數(shù)公式20
2.2.9微分中值定理21
2.2.10泰勒公式21
2.2.11函數(shù)單調(diào)性的判斷22
2.2.12函數(shù)凹凸性的判斷23
2.3線性代數(shù)23
2.3.1基本概念23
2.3.2矩陣乘法24
2.3.3向量向量乘法25
2.3.4矩陣向量乘法25
2.3.5矩陣矩陣乘法26
2.3.6單位矩陣和對角矩陣27
2.3.7矩陣的轉(zhuǎn)置28
2.3.8對稱矩陣28
2.3.9矩陣的跡28
2.3.10矩陣求導(dǎo)常見公式29
2.3.11范數(shù)29
2.3.12線性相關(guān)性和秩30
2.3.13方陣的逆31
2.3.14正交陣31
2.3.15行列式31
2.3.16二次型和半正定矩陣32
2.3.17特征值和特征向量33
2.4概率論與數(shù)理統(tǒng)計34
2.4.1概率的基本要素34
2.4.2條件概率和獨立性35
2.4.3隨機變量35
2.4.4累積分布函數(shù)36
2.4.5概率質(zhì)量函數(shù)37
2.4.6概率密度函數(shù)37
2.4.7期望38
2.4.8方差38
2.4.9一些常見的隨機變量39
2.4.10聯(lián)合分布和邊緣分布41
2.4.11條件概率分布41
2.4.12貝葉斯定理41
2.4.13獨立性42
2.4.14期望和協(xié)方差42
2.4.15KL散度43
2.5優(yōu)化理論43
2.5.1梯度下降法43
2.5.2牛頓法44
2.5.3拉格朗日乘子法45
習(xí)題46
參考文獻48
第3章機器學(xué)習(xí)庫Scikitlearn49
3.1背景知識49
3.2Scikitlearn概述50
3.3Scikitlearn主要用法51
3.3.1基本建模流程51
3.3.2數(shù)據(jù)預(yù)處理53
3.3.3監(jiān)督學(xué)習(xí)算法55
3.3.4無監(jiān)督學(xué)習(xí)算法56
3.3.5評價指標(biāo)57
3.3.6交叉驗證及超參數(shù)調(diào)優(yōu)58
3.4Scikitlearn總結(jié)60
習(xí)題60
參考文獻62
第4章回歸63
4.1線性回歸63
4.1.1符號定義63
4.1.2背景知識66
4.1.3線性回歸求解66
4.2最小二乘法66
4.3梯度下降67
4.3.1批梯度下降68
4.3.2隨機梯度下降68
4.3.3小批量梯度下降69
4.3.4梯度下降的數(shù)學(xué)推導(dǎo)69
4.3.5梯度下降與最小二乘法比較70
4.4數(shù)據(jù)規(guī)范化70
4.4.1數(shù)據(jù)規(guī)范化概述70
4.4.2數(shù)據(jù)規(guī)范化的主要方式71
4.4.3數(shù)據(jù)規(guī)范化的適用范圍71
4.5正則化72
4.5.1過擬合和欠擬合72
5.5.2過擬合的處理72
4.5.3欠擬合的處理73
4.5.4正則化的主要形式73
4.6回歸的評價指標(biāo)74
習(xí)題76
參考文獻78
第5章邏輯回歸79
5.1分類問題79
5.2Sigmoid函數(shù)80
5.2.1Sigmoid函數(shù)概述80
5.2.2Sigmoid函數(shù)的特點80
5.2.3Sigmoid函數(shù)的原理81
5.3邏輯回歸82
5.3.1邏輯回歸算法思想82
5.3.2邏輯回歸的原理82
5.4邏輯回歸算法總結(jié)85
習(xí)題86
參考文獻88
第6章樸素貝葉斯89
6.1貝葉斯方法89
6.1.1先驗概率、后驗概率、聯(lián)合分布89
6.1.2判別模型和生成模型90
6.2樸素貝葉斯原理90
6.2.1樸素貝葉斯概述90
6.2.2拉普拉斯平滑91
6.2.3樸素貝葉斯公式推導(dǎo)92
6.2.4樸素貝葉斯案例93
6.3樸素貝葉斯分類算法總結(jié)95
習(xí)題95
參考文獻97
第7章機器學(xué)習(xí)實踐99
7.1數(shù)據(jù)集劃分99
7.1.1訓(xùn)練集、驗證集和測試集劃分99
7.1.2交叉驗證100
7.1.3不平衡數(shù)據(jù)處理101
7.2評價指標(biāo)103
7.2.1回歸的評價指標(biāo)103
7.2.2分類的評價指標(biāo)103
7.2.3評價指標(biāo)案例106
7.3正則化、偏差和方差107
7.3.1欠擬合和過擬合107
7.3.2正則化107
7.3.3偏差和方差109
習(xí)題111
參考文獻113
第8章KNN算法115
8.1距離度量115
8.1.1歐幾里得距離115
8.1.2曼哈頓距離116
8.1.3切比雪夫距離116
8.1.4閔可夫斯基距離117
8.1.5漢明距離117
8.1.6余弦相似度118
8.2KNN算法簡介119
8.2.1KNN算法概述119
8.2.2KNN算法流程120
8.3KD樹劃分120
8.3.1KD樹概述120
8.3.2KD樹劃分案例121
8.4KD樹搜索124
8.4.1KD樹搜索概述124
8.4.2KD樹搜索案例125
習(xí)題126
參考文獻128
第9章決策樹129
9.1決策樹原理129
9.1.1決策樹概述129
9.1.2決策樹算法思想130
9.2ID3算法130
9.2.1ID3算法概述130
9.2.2ID3劃分標(biāo)準(zhǔn)131
9.2.3ID3算法總結(jié)133
9.3C4.5算法133
9.3.1C4.5算法概述133
9.3.2C4.5劃分標(biāo)準(zhǔn)134
9.3.3C4.5剪枝處理134
9.3.4C4.5算法總結(jié)138
9.4CART算法139
9.4.1CART算法概述139
9.4.2CART分類樹139
9.4.3CART回歸樹142
9.4.4CART剪枝處理142
9.4.5CART算法總結(jié)142
9.5決策樹總結(jié)143
9.5.13種決策樹算法的差異143
9.5.2決策樹的優(yōu)缺點143
習(xí)題144
參考文獻146
第10章集成學(xué)習(xí)147
10.1集成學(xué)習(xí)概述147
10.1.1Bagging147
10.1.2Boosting148
10.1.3Stacking148
10.2隨機森林149
10.2.1隨機森林算法思想149
10.2.2隨機森林算法總結(jié)150
10.3AdaBoost算法150
10.3.1AdaBoost算法思想150
10.3.2AdaBoost算法總結(jié)152
10.4GBDT算法153
10.4.1GBDT算法思想154
10.4.2GBDT算法總結(jié)156
10.5XGBoost算法156
10.5.1XGBoost算法思想156
10.5.2XGBoost算法推導(dǎo)158
10.5.3XGBoost算法總結(jié)161
10.6LightGBM算法161
10.6.1LightGBM算法思想162
10.6.2LightGBM算法總結(jié)166
習(xí)題167
參考文獻169
第11章人工神經(jīng)網(wǎng)絡(luò)(選修)171
11.1人工神經(jīng)網(wǎng)絡(luò)概述171
11.2感知機模型172
11.2.1感知機模型概述172
11.2.2感知機算法流程172
11.3反向傳播算法173
11.3.1反向傳播算法概述173
11.3.2反向傳播算法流程174
11.3.3反向傳播算法總結(jié)178
習(xí)題179
參考文獻182
第12章支持向量機183
12.1支持向量機概述183
12.1.1算法思想183
12.1.2背景知識184
12.2線性可分支持向量機185
12.2.1算法思想185
12.2.2求解步驟186
12.3線性支持向量機188
12.3.1松弛變量188
12.3.2求解步驟188
12.4線性不可分支持向量機190
12.4.1算法思想190
12.4.2核技巧190
12.4.3常用核函數(shù)191
12.4.4支持向量機的超參數(shù)191
12.5支持向量機算法總結(jié)192
12.5.1支持向量機普遍使用的準(zhǔn)則192
12.5.2算法優(yōu)缺點193
習(xí)題193
參考文獻195
第13章聚類196
13.1聚類概述196
13.1.1無監(jiān)督學(xué)習(xí)概述196
13.1.2聚類算法思想196
13.1.3聚類的背景知識198
13.2Kmeans聚類199
13.2.1Kmeans算法思想199
13.2.2Kmeans算法總結(jié)203
13.3密度聚類204
13.3.1DBSCAN算法概述204
13.3.2DBSCAN算法思想205
13.3.3DBSCAN算法總結(jié)208
13.4層次聚類208
13.4.1層次聚類概述208
13.4.2聚合聚類209
13.4.3分裂聚類209
13.4.4層次聚類算法總結(jié)210
13.5聚類的評價指標(biāo)210
13.5.1均一性210
13.5.2完整性211
13.5.3Vmeasure211
13.5.4輪廓系數(shù)211
13.5.5調(diào)整蘭德系數(shù)212
習(xí)題212
參考文獻214
第14章降維215
14.1降維概述215
14.1.1維數(shù)災(zāi)難215
14.1.2降維概述215
14.2奇異值分解216
14.2.1SVD概述216
14.2.2SVD的算法思想217
14.2.3SVD的算法案例219
14.2.4SVD的一些應(yīng)用220
14.3主成分分析222
14.3.1PCA概述222
14.3.2PCA算法思想222
14.3.3PCA算法案例225
14.3.4PCA算法總結(jié)225
習(xí)題226
參考文獻229
第15章關(guān)聯(lián)規(guī)則230
15.1關(guān)聯(lián)規(guī)則概述230
15.2Apriori算法231
15.2.1Apriori算法概述231
15.2.2Apriori算法思想232
15.2.3Apriori算法案例232
15.2.4Apriori算法總結(jié)235
15.3FPGrowth算法235
15.3.1FPGrowth算法概述235
15.3.2FPGrowth算法思想235
15.3.3FPGrowth算法案例236
15.3.4FPGrowth算法總結(jié)240
15.4ECLAT算法240
15.4.1ECLAT算法概述240
15.4.2ECLAT算法思想241
15.4.3ECLAT算法總結(jié)241
習(xí)題242
參考文獻244

你還可能感興趣

我要評論