下载掌阅APP，畅读海量书库
立即打开
机器学习是以概率论、统计学、信息论、最优化理论、计算理论等为基础的计算机应用理论学科，也是人工智能、数据挖掘等领域的基础学科。本书全面系统地介绍了机器学习的主要方法，共分3篇。第1篇介绍监督学习的主要方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、Boosting、EM算法、隐马尔可夫模型、条件随机场等；第2篇介绍无监督学习的主要方法，包括聚类、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配、PageRank算法等；第3篇介绍深度学习的主要方法，包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型、生成对抗网络等。书中每章介绍一两种机器学习方法。详细叙述各个方法的模型、策略和算法。从具体例子入手，由浅入深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。目的是使读者能学会和使用这些机器学习的基本技术。为满足读者进一步学习的需要，书中还对各个方法的要点进行了总结，给出了一些习题，并列出了主要参考文献。
本书是机器学习及相关课程的教学参考书，适合人工智能、数据挖掘等专业的本科生、研究生使用，也可供计算机各个领域的专业研发人员参考。
彩图15.1 奇异值分解的几何解释
彩图18.1 概率潜在语义分析的直观解释
彩图19.1 接受-拒绝抽样法
彩图20.1 狄利克雷分布例
彩图20.3 LDA的文本生成过程
彩图23.3 神经元的三维图形
彩图23.9 神经元的三维图形
彩图23.10 前馈神经网络例的三维图形
彩图23.12 XOR神经网络例的三维图形
彩图23.18 非凸优化问题
彩图24.6 用张量表示的三通道数据和特征图
彩图24.15 用卷积层代替全连接层
图中显示的是一维卷积
彩图24.17 卷积神经网络中的感受野
彩图24.21 ResNet-18的架构
每一模块表示一层，有色模块是残差网络的连接层，每一种颜色成一组，每一组有两个残差单元。数字是核的大小和步幅
彩图25.4 简单循环神经网络上的反向传播
彩图25.14 束搜索
彩图27.8 BERT模型中的注意力权重分布的例子
可以表示词汇、语法、语义关系
彩图28.2 GAN的学习过程
彩图28.3 卷积例
彩图28.4 转置卷积例
彩图28.5 转置卷积例
献给我的母亲