图书简介
本书全面系统地介绍了机器学习领域中的经典方法,并兼顾算法原理与实践运用。具体内容涉及回归分析(线性回归、多项式回归、非线性回归、岭回归,LASSO、弹性网络,以及RANSAC等)、分类(感知机、逻辑回归、朴素贝叶斯、决策树、支持向量机、人工神经网络等)、聚类(K均值、EM算法、密度聚类、层次聚类,以及谱聚类等)、集成学习(随机森林、AdaBoost、梯度提升等)、蒙特卡洛采样(拒绝采样、自适应拒绝采样、重要性采样、吉布斯采样和马尔科夫链蒙特卡洛等)、降维与流形学习(SVD、PCA和MDS等),以及概率图模型(例如贝叶斯网络和隐马尔科夫模型)等话题。更为重要的是,作者基于全新制定的学习路线图设计并组织了各章节的布局,使得全书的内容层层递进又紧密联系。这些安排旨在帮助读者深化理解原理细节,并建立完整而系统的全局观。在力求清晰阐述算法原理的同时,本书还基于机器学习经典框架scikit-learn提供了算法的应用实例,并使用Python编写代码,非常适合读者自学。
本书是机器学习及相关课程的教学参考书,适用于高等院校人工智能、机器学习或数据挖掘等相关专业的师生研习之用,也可供从事计算机应用,特别是数据科学相关专业的研发人员参考。