机器学习 周志华 基础知识 揭开机器学习人机大战的奥秘 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 机器学习
• 人工智能
• 周志华
• 模式识别
• 算法
• 数据挖掘
• Python
• 理论基础
• 监督学习
• 深度学习

店铺： 华心图书专营店

出版社： 清华大学出版社

ISBN：9787302423287

商品编码：26799871771

Python神经网络编程+深度学习+机器学习 三本套装仅需226.9元，

目录

dy 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 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 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

dy 0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

dy 1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

dy 2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

dy 3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

dy 4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

dy 5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 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

dy 6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

书名：机器学习

作者：周志华 著

出版社：清华大学出版社

出版时间：2016-1

版次：1

印刷时间：2017-8

印次：21

开本：16开

装帧：平装

页数：425

ISBN：9787302423287

定价：88.00

内容全面；结构合理；叙述清楚；深入浅出。人工智能领域中文的开山之作！

相关图书推荐：

机器智能 人工智能领域的创新之作，三大主流方法的和谐统一！当今各种人工智能学说的集成创新。

人工智能：一种现代的方法（第3版 影印版） A Must Read for AI

人工智能：一种现代的方法（第3版）（翻译版） A Must Read for AI

机器崛起前传——自我意识与人类智慧的开端

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. 全书共16 章，大致分为3 个部分：dy 部分（dy ～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（dy 1～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。

本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

周志华，南京大学计算机系教授，ACM杰出科学家，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。guo家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任，中国人工智能学会机器学习专业委员会主任，IEEE计算智能学会数据挖掘技术委员会副主席。

《智海潮涌：算法的演进与智能的边界》 引言： 在信息洪流奔涌的时代，我们正以前所未有的速度被数据包围，被计算重塑。从繁复的科学计算到日常生活的方方面面，一股名为“智能”的力量正在悄然崛起，它不仅仅是冷冰冰的代码堆砌，更是对人类思维模式的模仿与超越，是对未知世界探索的强劲引擎。本书《智海潮涌：算法的演进与智能的边界》正是致力于揭示这股力量的源头活水，深入剖析驱动智能涌现的算法机制，并审视其在人类认知与社会结构中的深刻影响，展望未来智能发展的无限可能与潜在挑战。 第一章：从逻辑到学习——智能的基石演进 智能的萌芽，可以追溯到人类对逻辑推理的早期探索。从古希腊先贤的几何学公理到形式逻辑的建立，我们试图用严谨的规则来模拟和理解世界。然而，现实世界远比形式系统复杂多变。传统的“规则导向”方法在面对海量、非结构化的数据时显得捉襟见肘。 本章将带领读者回顾智能发展历程中的几个关键转折点。我们将首先探讨“符号主义”的智能观，它强调通过符号操作和规则推理来实现智能，并介绍早期基于逻辑和专家系统的尝试。然而，随着数据量的爆炸式增长，符号主义的局限性日益凸显。 随后，我们将深入探讨“连接主义”的兴起，特别是人工神经网络的理论基础。我们将从最简单的感知器模型出发，循序渐进地解析多层感知机、反向传播算法等核心概念。理解这些结构和算法，如同理解神经网络的“神经元”如何接收、处理信息，并最终形成对复杂模式的感知。我们将聚焦于神经网络如何通过“学习”而非“编程”来适应数据，这种学习能力正是区别于传统智能方法的核心所在。 我们还将触及“贝叶斯方法”在概率推理中的重要地位。概率模型如何帮助我们处理不确定性，以及如何利用先验知识和观测数据进行推理，将是本章的重点内容。理解贝叶斯定理，如同掌握了一套在信息不足的情况下做出最优决策的工具。 第二章：数据驱动的炼金术——核心算法揭秘 如果说智能是目标，那么算法便是实现目标的工具。本章将聚焦于那些构成现代智能核心的算法，它们如同炼金术士手中的秘方，将原始数据转化为洞察与能力。 我们将从“监督学习”的范畴切入，详细解析几种最经典的算法。 线性回归与逻辑回归： 作为最基础的回归与分类模型，它们将帮助我们理解如何通过寻找数据的线性关系来预测数值或区分类别。我们将探讨模型参数的优化过程，例如梯度下降法，理解其如何一步步逼近最优解。 支持向量机（SVM）： 这一强大的分类算法，将带领我们进入“特征空间”的奇妙世界。我们将理解最大间隔超平面原理，以及核技巧如何将线性不可分问题转化为线性可分问题，实现对复杂数据的精准划分。 决策树与随机森林： 这类基于树结构的算法，以其直观易懂的特点而闻名。我们将学习如何构建决策树，理解信息增益和基尼指数等划分标准。随机森林作为决策树的集成学习方法，将揭示“弱学习器”如何通过集成来构建强大的预测模型，并探讨其在防止过拟合方面的优势。 K近邻（KNN）： 这一简单的“懒惰学习”算法，将让我们理解基于距离的相似性度量。它虽然直观，但其计算效率和对数据特征的敏感性也为我们提供了宝贵的思考角度。 接着，我们将转向“无监督学习”，探索算法如何在没有标签的情况下发现数据中的隐藏结构。 K-Means聚类： 这是最广为人知的聚类算法之一。我们将学习如何将数据点分组到K个簇中，并理解其迭代优化的过程，以及如何评估聚类结果的质量。 主成分分析（PCA）： 这一降维技术，将帮助我们理解如何提取数据中最具代表性的特征，减少数据维度，从而提高后续算法的效率和可解释性。我们将探讨协方差矩阵和特征值分解在PCA中的作用。 此外，我们还将简要介绍“半监督学习”和“强化学习”这两个重要领域。半监督学习如何在少量标记数据和大量未标记数据之间找到平衡；强化学习则模拟了智能体与环境的交互过程，通过“试错”来学习最优策略，例如AlphaGo背后的算法原理，便是强化学习在游戏领域的杰出代表。 第三章：感知世界的“眼睛”与“耳朵”——深度学习的革命 深度学习的出现，无疑是近年来人工智能领域最激动人心的突破之一。它模仿人脑的层次化信息处理方式，构建出拥有多层非线性变换的神经网络，从而能够自动地从原始数据中学习到高度抽象的特征表示。本章将聚焦于深度学习的核心架构与关键技术。 卷积神经网络（CNN）： 这是深度学习在计算机视觉领域的“眼睛”。我们将深入解析卷积层、池化层、激活函数等关键组件，理解它们如何有效地提取图像中的空间特征，从边缘、纹理到更复杂的对象部分。我们将分析著名的CNN模型，如LeNet、AlexNet、VGG、ResNet等，理解它们在网络结构设计上的演进与创新。 循环神经网络（RNN）及其变种（LSTM, GRU）： 这是深度学习在处理序列数据，如文本、语音等方面的“耳朵”与“大脑”。我们将理解RNN如何通过“记忆”来处理时间序列信息，以及长短期记忆网络（LSTM）和门控循环单元（GRU）如何有效地解决传统RNN的梯度消失问题，捕捉长距离依赖关系。 Transformer模型： 近年来在自然语言处理领域掀起革命的Transformer，将引领我们进入“注意力机制”的时代。我们将理解自注意力（Self-Attention）如何让模型在处理序列时，不再受限于固定的顺序，而是能够根据信息的相关性动态地分配注意力权重。我们将探讨其在机器翻译、文本生成等任务上的巨大成功。 本章还将讨论深度学习中的一些关键技术，如： 损失函数与优化器： 理解不同的损失函数如何衡量模型预测与真实值之间的差距，以及各种优化器（如Adam、RMSprop）如何加速模型的收敛。 正则化技术： Dropout、Batch Normalization等正则化方法如何帮助深度学习模型抵御过拟合，提高泛化能力。 迁移学习与预训练模型： 利用在大规模数据集上预训练的模型，通过少量微调即可适应新任务，极大地加速了模型的开发过程。 第四章：智能的边界与伦理考量——人机共舞的未来 随着算法的不断演进，人工智能的能力边界正在被不断拓展，它们不仅在数据分析、模式识别等领域超越人类，甚至开始涉足创意生成、决策辅助等更高级的认知任务。这场“人机大战”，与其说是对抗，不如说是协作与融合的开端。 本章将从更宏观的视角审视人工智能的发展。 可解释性AI（XAI）： 当模型变得越来越复杂，理解其决策过程变得尤为重要。我们将探讨如何让AI的“黑箱”变得更加透明，以便于我们信任、调试和改进AI系统。 AI的创造力： 从生成艺术到谱写音乐，AI正在展现出惊人的创造力。我们将讨论AI如何通过学习海量艺术作品来生成新的创意，以及这种创造力对人类艺术创作的影响。 AI与就业： 自动化和智能化的发展，对传统就业岗位带来了挑战。我们将探讨AI如何重塑劳动力市场，以及人类如何通过提升技能、拥抱新职业来适应这一变革。 AI的伦理与安全： 偏见、歧视、隐私泄露、失控风险……这些都是人工智能发展过程中必须面对的严峻挑战。本章将深入探讨AI伦理的基本原则，例如公平性、透明度、问责制，并分析如何构建安全可靠的AI系统，以确保技术的发展服务于人类的福祉。 通用人工智能（AGI）的畅想： 从特定领域的强人工智能，到具备人类通用认知能力的AGI，我们距离那个目标还有多远？我们将探讨AGI的定义、潜在的技术路径以及它可能带来的深刻社会变革。 结语： 《智海潮涌：算法的演进与智能的边界》并非一本简单的技术手册，它是一场关于智能起源、发展及其未来命运的深度探索。我们希望通过对核心算法的细致剖析，让读者对驱动人工智能的底层逻辑有清晰的认识。更重要的是，我们希望引发读者对智能边界的思考，以及对人机共舞的未来的审慎乐观。理解智能，才能更好地驾驭智能，与智能协同，共同开创一个更加美好的未来。

评分☆☆☆☆☆

说实话，我一直对那些在围棋、电竞等领域打败人类高手的AI感到既惊叹又好奇，总觉得它们背后一定有什么“黑科技”。这本书就像是一本“AI揭秘手册”，用一种非常接地气的方式，把那些曾经让我觉得高不可攀的机器学习概念，讲得明明白白。我尤其喜欢作者在讲解复杂的算法时，会穿插一些很有趣的故事和类比，比如把模型的训练过程比作一个孩子在学习识别猫和狗，通过大量的图片来纠正自己的错误，直到能够准确区分。这种方式让我一下子就抓住了核心，而且感觉AI的“学习”过程并不是什么遥不可及的事情，而是有着清晰的逻辑和可行的步骤。读完之后，我对那些“人机大战”的背后原理有了更深刻的理解，甚至开始思考，这种“机器的学习能力”，未来还能在哪些方面帮助我们解决问题，甚至在某些领域超越我们人类的认知。这本书让我对AI不再是停留在“震撼”的层面，而是有了更深入的理解和更广阔的想象。

评分☆☆☆☆☆

最近入手了一本关于机器学习的书，本来抱着试试看的心态，没想到读完之后，对人工智能的整个认知都颠覆了。我一直以来都对那些在各种“人机大战”中大放异彩的AI感到非常好奇，总觉得它们背后藏着什么神秘的力量。这本书恰恰就满足了我这种探索的欲望。它没有像很多技术书籍那样，上来就是一堆晦涩难懂的数学公式，而是用非常通俗易懂的语言，结合大量的生动案例，将机器学习的核心概念娓娓道来。尤其是关于“学习”这个过程的阐述，更是让我印象深刻。作者将复杂的算法比喻成一个不断成长的“大脑”，通过海量的数据和反复的训练，逐渐掌握解决问题的能力。这种描述方式，让我仿佛看到了AI的“成长轨迹”，也更加理解了它们是如何在各种挑战中脱颖而出的。这本书不仅让我对AI的技术层面有了更深入的了解，更引发了我对于智能本质的思考，以及未来人类与AI的关系。

评分☆☆☆☆☆

这本书简直是为我这种对“AI战胜人类”的好奇宝宝量身定做的！我一直对那些在围棋、扑克甚至电竞领域击败顶尖人类玩家的AI感到震撼，总觉得它们背后一定隐藏着什么惊人的秘密。这本书就像一把钥匙，为我揭开了这些神秘面纱。它没有那种让人望而却步的专业术语，而是用非常生动形象的比喻和清晰的逻辑，一点点地剖析了机器学习的底层逻辑。我最喜欢的是书中对于“学习”过程的描述，它不再是冰冷的算法，而是像一个努力学习的学生，不断通过试错来优化自己的决策，这种过程非常有画面感。读到后面，我甚至开始思考，这种“学习”的能力，是否也意味着AI在某些方面，正在超越人类的某些固有认知？这本书让我对人工智能的理解，从“听说过”变成了“理解了”，并且让我对接下来的AI发展充满了期待，也对我们人类自身智能的探索有了新的思考。

评分☆☆☆☆☆

最近尝试了一本关于人工智能的书，本来以为会是一本偏技术向的书，但读下来之后，发现它更像是一部关于“智能进化史”的精彩叙事。作者以一种非常引人入胜的视角，带领读者回顾了机器学习发展的几个关键里程碑，特别是那些在人机大战中引发巨大轰动的事件。我一直对这些“大事件”背后的技术细节感到好奇，而这本书恰好满足了我的求知欲。它没有回避复杂的概念，但又巧妙地将它们融入到历史的叙述中，让我在不知不觉中就掌握了许多核心的机器学习思想。读完这本书，我对“人工智能”不再只是一个模糊的概念，而是有了更具体的认知，甚至能够想象出这些算法在不同场景下的应用。最让我印象深刻的是，作者并没有将AI描绘成一个遥不可及的“魔法”，而是将其看作是人类智慧不断探索和创新的成果。这种观点让我觉得AI离我们并不遥远，也更加期待它未来的发展。总而言之，这是一本既有深度又不失趣味的书，非常适合那些想要深入了解AI，但又不想被大量技术术语吓倒的读者。

评分☆☆☆☆☆

天哪，我最近读完了一本让我脑洞大开的书，虽然书名听起来有点学术，但内容绝对比我想象的要精彩得多！我一直对人工智能，特别是那些在围棋、星际争霸这类复杂博弈中战胜人类顶尖选手的“AI”感到好奇。这本书就像给我打开了一个全新的世界，用一种非常易于理解的方式，揭示了这些“幕后英雄”——那些强大的机器学习算法——是如何工作的。它不是那种枯燥的数学公式堆积，而是通过生动的例子和故事，比如 AlphaGo 的崛起，让我一点点理解了“学习”这个概念在机器身上的体现。我尤其喜欢作者在解释一些核心概念时，会引入一些类比，比如把模型比作一个努力学习的学生，不断从错误中吸取教训，调整自己的理解。这种方式让我在惊叹于AI能力的同时，也对背后的原理产生了浓厚的兴趣，甚至开始思考，这种“学习”的能力，未来还能在哪些领域大放异彩。这本书不仅仅是关于技术，更像是在探讨智能的本质，以及人类与机器智能之间那种既竞争又合作的未来。我强烈推荐给所有对AI感到好奇，想了解“AI到底是怎么赢的”的朋友们！