机器学习 从公理到算法2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习 从公理到算法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 引言1

1.1机器学习的目的：从数据到知识1

1.2机器学习的基本框架2

1.2.1数据集合与对象特性表示3

1.2.2学习判据4

1.2.3学习算法5

1.3机器学习思想简论5

延伸阅读7

习题8

参考文献9

第2章 归类理论11

2.1类表示公理13

2.2归类公理17

2.3归类结果分类20

2.4归类方法设计准则22

2.4.1类一致性准则23

2.4.2类紧致性准则23

2.4.3类分离性准则25

2.4.4奥卡姆剃刀准则25

讨论27

延伸阅读29

习题30

参考文献31

第3章 密度估计33

3.1密度估计的参数方法33

3.1.1最大似然估计33

3.1.2贝叶斯估计35

3.2密度估计的非参数方法39

3.2.1直方图39

3.2.2核密度估计39

3.2.3 K近邻密度估计法40

延伸阅读40

习题41

参考文献41

第4章 回归43

4.1线性回归43

4.2岭回归47

4.3 Lasso回归48

讨论51

习题52

参考文献52

第5章 单类数据降维53

5.1主成分分析54

5.2非负矩阵分解56

5.3字典学习与稀疏表示57

5.4局部线性嵌入59

5.5典型关联分析62

5.6多维度尺度分析与等距映射63

讨论65

习题66

参考文献66

第6章 聚类理论69

6.1聚类问题表示及相关定义69

6.2聚类算法设计准则70

6.2.1类紧致性准则和聚类不等式70

6.2.2类分离性准则和重合类非稳定假设72

6.2.3类一致性准则和迭代型聚类算法73

6.3聚类有效性73

6.3.1外部方法73

6.3.2内蕴方法75

延伸阅读76

习题77

参考文献77

第7章 聚类算法81

7.1样例理论：层次聚类算法81

7.2原型理论：点原型聚类算法83

7.2.1 C均值算法84

7.2.2模糊C均值86

7.3基于密度估计的聚类算法88

7.3.1基于参数密度估计的聚类算法88

7.3.2基于无参数密度估计的聚类算法97

延伸阅读106

习题107

参考文献108

第8章 分类理论111

8.1分类及相关定义111

8.2从归类理论到经典分类理论112

8.2.1 PAC理论113

8.2.2统计学习理论115

8.3分类测试公理118

讨论119

习题119

参考文献120

第9章 基于单类的分类算法：神经网络121

9.1分类问题的回归表示121

9.2人工神经网络122

9.2.1人工神经网络相关介绍122

9.2.2前馈神经网络124

9.3从参数密度估计到受限玻耳兹曼机129

9.4深度学习131

9.4.1自编码器132

9.4.2卷积神经网络132

讨论133

习题134

参考文献134

第10章K近邻分类模型137

10.1 K近邻算法138

10.1.1 K近邻算法问题表示138

10.1.2 K近邻分类算法139

10.1.3 K近邻分类算法的理论错误率140

10.2距离加权最近邻算法141

10.3 K近邻算法加速策略142

10.4 kd树143

10.5 K近邻算法中的参数问题144

延伸阅读145

习题145

参考文献145

第11章 线性分类模型147

11.1判别函数和判别模型147

11.2线性判别函数148

11.3线性感知机算法151

11.3.1感知机数据表示151

11.3.2感知机算法的归类判据152

11.3.3感知机分类算法153

11.4支持向量机156

11.4.1线性可分支持向量机156

11.4.2近似线性可分支持向量机159

11.4.3多类分类问题162

讨论164

习题165

参考文献166

第12章 对数线性分类模型167

12.1 Softmax回归167

12.2 Logistic回归170

讨论172

习题173

参考文献173

第13章 贝叶斯决策175

13.1贝叶斯分类器175

13.2朴素贝叶斯分类176

13.2.1最大似然估计178

13.2.2贝叶斯估计181

13.3最小化风险分类183

13.4效用最大化分类185

讨论185

习题186

参考文献186

第14章 决策树187

14.1决策树的类表示187

14.2信息增益与ID3算法192

14.3增益比率与C4.5算法194

14.4 Gini指数与CART算法195

14.5决策树的剪枝196

讨论197

习题197

参考文献198

第15章 多类数据降维199

15.1有监督特征选择模型199

15.1.1过滤式特征选择200

15.1.2包裹式特征选择201

15.1.3嵌入式特征选择201

15.2有监督特征提取模型202

15.2.1线性判别分析202

15.2.2二分类线性判别分析问题202

15.2.3二分类线性判别分析203

15.2.4二分类线性判别分析优化算法205

15.2.5多分类线性判别分析205

延伸阅读207

习题207

参考文献207

第16章 多类数据升维：核方法209

16.1核方法209

16.2非线性支持向量机210

16.2.1特征空间210

16.2.2核函数210

16.2.3常用核函数212

16.2.4非线性支持向量机212

16.3多核方法213

讨论215

习题215

参考文献216

第17章 多源数据学习217

17.1多源数据学习的分类217

17.2单类多源数据学习217

17.2.1完整视角下的单类多源数据学习218

17.2.2不完整视角下的单类多源数据学习220

17.3多类多源数据学习221

17.4多源数据学习中的基本假设222

讨论222

习题223

参考文献223

后记225

索引229