感恩节预赠AI新书

《机器学习与应用》

机器学习是当前解决很多人工智能问题的核心技术，深度学习的出现带来了自2012年以来的人工智能复兴。本书是机器学习和深度学习领域的入门与提高教材，系统、深入的讲述了机器学习与深度学习的主流方法与理论，并紧密结合工程实践与应用。全书由21章组成，共分为3大部分。第1到3章为第1部分，介绍了机器学习的基本原理，所需的数学知识（包括微积分，线性代数，概率论，最优化方法4部分），以及机器学习中的核心概念。第4到20章为第2部分，是本书的主体，介绍了各种常用的有监督学习，无监督学习，半监督学习，强化学习算法。对于每种算法，从原理与推导，工程实现，以及实际应用3个方面进行介绍，对于大多数算法，都配有实验程序。第21章为第3部分，介绍了机器学习和深度学习算法实际应用时面临的问题，并给出了典型的解决方案。

本书理论推导与证明详细、深入，结构清晰，详细的讲述了主要算法的工程实现细节，配以著名开源库的源代码分析（包括libsvm，liblinear，OpenCV，Caffe等开源库），让读者不仅知其然，还知其所以然，真正理解算法、学会使用算法。对于计算机、人工智能及相关专业的本科生和研究生，这是一本适合入门与系统学习的教材，对于从事人工智能和机器学习产品研发的工程技术人员，本书也具有很强的参考价值。

好书简介

第一章- 机器学习简介

第二章- 数学知识

第三章- 基本概念

第四章- 贝叶斯分类器

第五章- 决策树

第六章- K近邻算法

第七章- 数据降维

第八章- 线性判别分析

第九章- 人工神经网络

第十章- 支持向量机

第十一章-线性模型

第十二章- 随机森林

第十三章- boosting算法

第十四章- 深度学习概论

第十五章- 卷积神经网络

第十六章- 循环神经网络

第十七章- 生成对抗网络

第十八章- 聚类算法

第十九章- 半监督学习

第二十章- 强化学习

第二十一章- 工程实践问题

大纲目录

第二章 数学知识

2.1 微积分与线性代数

2.1.1 导数

2.1.2 向量与矩阵

2.1.3 偏导数与梯度

2.1.4 雅克比矩阵

2.1.5 Hessian矩阵

2.1.6 泰勒展开

2.1.7 行列式

2.1.8 特征值与特征向量

2.1.9 奇异值分解

2.1.10 二次型

2.1.11 向量与矩阵求导

2.2 最优化方法

2.2.1 梯度下降法

2.2.2 牛顿法

2.2.3 坐标下降法

2.2.4 拉格朗日乘数法

2.2.5 凸优化

2.2.6 拉格朗日对偶

2.2.7 KKT条件

2.2.8 拟牛顿法

2.2.9 面临的问题

2.3 概率论

2.3.1 随机事件与概率

2.3.2 条件概率

2.3.3 随机变量

2.3.4 数学期望与方差

2.3.5 随机向量

2.3.6 最大似然估计

第9章 人工神经网络

9.1多层前馈型神经网络

9.1.1 神经元

9.1.2网络结构

9.1.3正向传播算法

9.2反向传播算法

9.2.1一个简单的例子

9.2.2完成的算法

9.3实验程序

9.4理论解释

9.4.1数学性质

9.4.2与神经系统的关系

9.5面临的问题

9.5.1梯度消失

9.5.2退化

9.5.3局部极小值问题

9.5.4鞍点

9.6实现细节问题

9.6.1输入值与输出值

9.6.2网络规模

9.6.3激活函数

9.6.4损失函数

9.6.5权重初始化

9.6.6正则化

9.6.7学习率的设定

9.6.8动量项

9.7源代码分析

9.7.1主要数据机构

9.7.2激活函数

9.7.3权重初始化

9.7.4训练函数

9.7.5预测函数

9.8应用

第10章 支持向量机

10.1线性分类器

10.1.1线性分类器

10.1.2分类间隔

10.2线性可分的问题

10.2.1原问题

10.2.2对偶问题

10.3线性不可分问题

10.3.1原问题

10.3.2对偶问题

10.4核映射与核函数

10.5 SMO算法

10.5.1求解子问题

10.5.2优化变量的选择

10.6多分类问题

10.7实验程序

10.8源代码分析

10.8.1求解算法

10.8.2主要数据结构

10.8.3求解器

10.9应用

......

精彩章节

......

精彩内容预览