机器学习导论

本书是一本浅显易懂的机器学习入门教材，深入浅出地介绍了机器学习的基础理论、模型与经典方法，并适当融入了深度学习的前沿知识。全书共9章，主要内容包括：机器学习概述、回归模型（线性回归、多项式回归、岭回归、套索回归、弹性网络、逻辑斯谛回归、Softmax回归）、k*近邻和kd树算法、支持向量机、贝叶斯分类器与贝叶斯网络、决策树、集成学习（AdaBoost、GBDT、随机森林和极端随机树）、聚类（k均值算法、BIRCH算法、DBSCAN算法、OPTICS算法）、深度学习（卷积神经网络、循环神经网络、生成式对抗网络）。每章都附有小结与习题，便于读者对知识的巩固和融会贯通。 本书注重选材，内容丰富，条理清晰，通俗易懂，着重突出机器学习方法的思想内涵和本质，力求反映机器学习领域的核心知识体系和发展趋势。 本书可作为高等院校智能科学与技术、数据科学与大数据技术、电子信息类等专业的高年级本科生、研究生的教材或教学参考书，也可供人工智能、数据科学、机器学习相关行业的工程技术人员学习参考。

前言 第1章机器学习概述1 1.1机器学习的概念与基本术语1 1.2人工智能、机器学习、深度学习三者的关系6 1.3机器学习的三个基本要素11 1.4机器学习模型的分类16 1.5数据预处理24 1.6模型选择与评估29 1.7小结43 1.8习题43 第2章回归模型45 2.1线性回归45 2.2多项式回归53 2.3线性回归的正则化——岭回归和套索回归54 2.4逻辑斯谛回归58 2.5 Softmax回归61 2.6小结63 2.7习题64 第3章 k-最近邻和k-d树算法66 3.1 k-最近邻法66 3.2 k-d树70 3.3小结75 3.4习题76 第4章 支持向量机77 4.1统计学习理论基础77 4.2支持向量机的基本原理和特点84 4.3线性SVM90 4.4基于核函数的非线性SVM95 4.5多分类SVM96 4.6支持向量机的训练100 4.7小结104 4.8习题105 第5章 贝叶斯分类器与贝叶斯网络106 5.1贝叶斯方法106 5.2贝叶斯分类器113 5.3贝叶斯网络119 5.4小结128 5.5习题129 第6章 决策树130 6.1概述130 6.2决策树学习134 6.3特征（或属性）选择135 6.4 ID3算法144 6.5 C4.5算法145 6.6CART算法146 6.7决策树的剪枝149 6.8决策树的优缺点150 6.9小结151 6.10习题151 第7章 集成学习153 7.1集成学习概述153 7.2 AdaBoost算法159 7.3梯度提升决策树（GBDT）160 7.4随机森林和极端随机树163 7.5小结166 7.6习题168 第8章 聚类169 8.1聚类概述169 8.2 k-均值算法175 8.3 BIRCH算法178 8.4基于密度的聚类算法183 8.5小结190 8.6习题191 第9章 深度学习192 9.1人工神经网络基础192 9.2卷积神经网络207 9.3循环神经网络218 9.4生成式对抗网络226 9.5小结238 9.6习题239 附录 缩略语英汉对照240 参考文献242