图解机器学习

    187张图解轻松入门     提供可执行的Matlab程序代码     覆盖机器学习中实用、用途广的算法     专业实用     东京大学教授、机器学习研究人员执笔，浓缩机器学习的关键知识点     图文并茂     187张图示帮助理解，详略得当，为读懂大部头开路。     角度新颖     基于ZUI小二乘法讲解各种有监督学习的回归和分类算法，以及无监督学习算法。     实战导向     配有可执行的MATLAB程序代码，边学习边实践。

《图解机器学习》用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种无监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。本书适合所有对机器学习有兴趣的初学者阅读。

    杉山将，1974年生于大阪。东京工业大学计算机工程学博士毕业，现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发，以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。     许永伟，2009年赴东京大学攻读博士学位，现于东京大学空间信息科学研究所从事博士后研究（特任研究员）。主要研究方向为模式识别与机器学习、图像处理与计算机视觉，对数据挖掘、大数据和信息架构有浓厚兴趣。

第I部分绪论
第1章什么是机器学习2
1.1学习的种类2
1.2机器学习任务的例子4
1.3机器学习的方法8
第2章学习模型12
2.1线性模型12
2.2核模型15
2.3层级模型17
第II部分有监督回归
第3章最小二乘学习法22
3.1最小二乘学习法22
3.2最小二乘解的性质25
3.3大规模数据的学习算法27
第4章带有约束条件的最小二乘法31
4.1部分空间约束的最小二乘学习法31
4.2ｌ2约束的最小二乘学习法33
4.3模型选择37
第5章稀疏学习43
5.1ｌ1约束的最小二乘学习法43
5.2ｌ1约束的最小二乘学习的求解方法45
5.3通过稀疏学习进行特征选择50
5.4ｌp约束的最小二乘学习法51
5.5ｌ1+ｌ2约束的最小二乘学习法52
第6章鲁棒学习55
6.1ｌ1损失最小化学习56
6.2Huber损失最小化学习58
6.3图基损失最小化学习63
6.4ｌ1约束的Huber损失最小化学习65
第III部分有监督分类
第7章基于最小二乘法的分类70
7.1最小二乘分类70
7.20/1损失和间隔73
7.3多类别的情形76
第8章支持向量机分类80
8.1间隔最大化分类80
8.2支持向量机分类器的求解方法83
8.3稀疏性86
8.4使用核映射的非线性模型88
8.5使用Hinge损失最小化学习来解释90
8.6使用Ramp损失的鲁棒学习93
第9章集成分类98
9.1剪枝分类98
9.2Bagging学习法101
9.3Boosting学习法105
第10章概率分类法112
10.1Logistic回归112
10.2最小二乘概率分类116
第11章序列数据的分类121
11.1序列数据的模型化122
11.2条件随机场模型的学习125
11.3利用条件随机场模型对标签序列进行预测128
第IV部分无监督学习
第12章异常检测132
12.1局部异常因子132
12.2支持向量机异常检测135
12.3基于密度比的异常检测137
第13章无监督降维143
13.1线性降维的原理144
13.2主成分分析146
13.3局部保持投影148
13.4核函数主成分分析152
13.5拉普拉斯特征映射155
第14章聚类158
14.1K均值聚类158
14.2核K均值聚类160
14.3谱聚类161
14.4调整参数的自动选取163
第V部分新兴机器学习算法
第15章在线学习170
15.1被动攻击学习170
15.2适应正则化学习176
第16章半监督学习181
16.1灵活应用输入数据的流形构造182
16.2拉普拉斯正则化最小二乘学习的求解方法183
16.3拉普拉斯正则化的解释186
第17章监督降维188
17.1与分类问题相对应的判别分析188
17.2充分降维195
第18章迁移学习197
18.1协变量移位下的迁移学习197
18.2类别平衡变化下的迁移学习204
第19章多任务学习212
19.1使用最小二乘回归的多任务学习212
19.2使用最小二乘概率分类器的多任务学习215
19.3多次维输出函数的学习216
第VI部分结语
第20章总结与展望222
参考文献225