前言 《机器学习基础》于2018年10月正式出版以来，经过了几次印刷。许多高校将其作为“机器学习”课程的教材，深受这些学校师生的钟爱，获得了良好的社会效益。但从另外一个角度来看，作者有责任和义务维护好这本书的质量，及时更新本书的内容，做到与时俱进。 此次作者对全书的内容进行了全面的修改，比第1版更加翔实，例子也更多，也更加利于教学。 为了帮助读者深入理解机器学习原理，本书以机器学习算法为主题，详细介绍了算法中涉及的数学理论。此外，本书注重机器学习的实际应用，在理论介绍中穿插项目实例，帮助读者掌握机器学习研究的方法。 本书共19章。第1章为概述，主要介绍了机器学习的概念、组成、分类、模型评估方法，以及sklearn模块的基础知识。第2~6章分别介绍了分类和回归问题的常见模型，包括逻辑回归与最大熵模型、k近邻模型、决策树模型、朴素贝叶斯分类器模型、支持向量机模型。每章最后均以一个实例结尾，使用sklearn模块实现。第7章介绍集成学习框架，包括Bagging、Boosting以及Stacking的基本思想和具体算法。第8~10章主要介绍无监督算法，包括EM算法、降维算法以及聚类算法。第11章介绍神经网络与深度学习，包括卷积神经网络、循环神经网络、生成对抗网络、图卷积神经网络等基础网络。第7~11章最后也均以一个实例结尾。第12~19章包含8个综合项目实战，帮助读者理解前面各章所讲内容。 机器学习是一门交叉学科，涉及概率论、统计学、凸优化等多个学科或分支，发展过程中还受到了生物学、经济学的启发。这样的特性决定了机器学习具有广阔的发展前景，但也正因如此，想要在短时间内“速成”机器学习是不现实的。本书希望带领读者，从基础出发，由浅入深，逐步掌握机器学习中的常见算法。在此基础上，读者将有能力根据实际问题决定使用何种算法，甚至可以查阅有关算法的最新文献，为产品研发或项目研究铺平道路。 为了更好地专注于机器学习的介绍，书中涉及的数学和统计学基础理论（如矩阵论、概率分布等）不会过多介绍。因此，如果读者希望完全理解书中的理论推导，还需要具备一定的统计学、数学基础。书中的项目实例全部使用Python实现，在阅读以前需要对Python编程语言及其科学计算模块（如numpy、scipy等）有一定了解。 本书的作者为吕云翔、王渌汀、袁琪、许丽华、王志鹏、任昌禹、张凡、唐博文、冯凯文、杨云飞，曾洪立参与了部分内容的编写及资料整理工作。 由于作者水平和能力有限，书中难免有疏漏之处，恳请各位同仁和广大读者批评指正。 作者2024年4月

• 课件下载
• 样章下载
• 暂无网络资源

扫描二维码
下载APP了解更多

版权图片链接