机器学习(慕课版)

1.针对零基础。每个内容以典型的例子说明算法的应用环境、数据原理，公式的实现。 2.给方法有演练。不仅给出传统的例子和代码，还给出模型以下三方面的内容：1）不同参数的结果，理解原理和模型的能力；2）公式的变种，达到举一反三。3）给出方法的典型应用。 3.通俗易懂。目标是让只有大学本科教育基础的人，能在第一次阅读能明白60%，第二次能明白90%。 4.资源丰富。教学PPT、源代码、教学大纲、教案、习题解答，还有重要知识点的微课讲解等。

本书是一本面向普通高等院校本科学生、以知识能力培养为目标的机器学习课程教材。为了让尽可能多的读者通过学习本书掌握机器学习的原理和方法，编者将罗列模型公式的传统讲授方式转换为“问题（动机）—猜想—实验—验证”的教学模式。本书共11章，第1~2章介绍机器学习基础知识：第3~9章介绍经典且常用的机器学习方法：第10~11章介绍神经网络及深度神经网络相关内容。本书给出相关习题，有的习题作用是帮助读者巩固知识，有的习题作用是引导读者扩展相关知识。读者在学习过程中可以配合使用这些习题，以提升运用知识的能力。
本书适合作为人工智能及相关专业的教材，也适合作为具有类似背景、对机器学习感兴趣的人员的参考书。根据本书的内容结构和各自教学学时的实际情况，对于本科生可考虑一学期讲授前9~10章，研究生课程则建议使用全书。此外，本书配有教学课件、教学大纲、教学视频，供相关专业人员使用。

庞俊彪 庞俊彪长期从事模式识别、机器学习等相关领域的科研研究，获得国家自然科学基金面上项目和重点项目的支持，北京市自然科学基金面上等项目的支持，其学术成果发表30余篇IEEE 会刊和CCF推荐很好论文。庞俊彪所带领的实验室的科研人员，长期从事与机器学习与多媒体技术相关领域的前沿项目研究，对于现有技术的发展可以做到准确的把控，有丰富的实践项目经验做支撑。

第1章 机器学习引论 12
1.1 什么是人工智能 12
1.1.1 人工智能发展历程 13
1.2 什么是机器学习 20
1.2.1 机器学习的定义 21
1.2.2 机器学习的分类 21
1.2.3 机器学习就是专门研究算法？ 22
1.3 如何学习机器学习 25
1.3.1 编程能力与实践 28
1.4 本章小结 31
1.5 习题 32
第2章 概率密度估计 34
2.1 频率学派与贝叶斯学派 34
2.1.1 频率学派 34
2.1.2 贝叶斯学派 35
2.2 似然估计和后验估计 36
2.2.1 似然估计 36
2.2.2 后验估计 40
2.3 特殊先验分布下的后验估计 42
2.3.1 高斯先验 42
2.3.2 拉普拉斯先验 42
2.4 本章小结 43
2.5 习题 43
第3章 感知机 46
3.1 感知机模型 46
3.2 感知机的损失函数 48
3.3 感知机的学习算法 49
3.3.2 机器学习算法的一般编程模式 50
3.4 本章小结 59
3.5 习题 59
第4章 Logistic回归 64
4.1 Logistic的物理含义 64
4.2 logistic回归的参数估计 65
4.3 评价标准 72
4.4 多类分类和归一化指数函数（Softmax函数） 75
4.5 本章小结 77
4.6 习题 78
第5章 支持向量机 82
5.1 从感知机到支持向量机 82
5.2 线性可分支持向量机 83
5.2.1 点到分类面的距离 83
5.2.2 间隔的目标函数 84
5.2.3 支持向量与间隔化 85
5.2.4 支持向量机的对偶算法 87
5.2.5 用KKT条件解释支持向量的稀疏性 90
5.3 线性不可分支持向量机 91
5.3.1 软间隔 91
5.3.2 对偶算法 92
5.4 非线性可分支持向量机 94
5.4.1 非线性支持向量机 95
5.4.2 核技巧与计算复杂度 96
5.5 SVM优化求解 98
5.5.1 非线性支持向量与SMO算法 98
5.5.2 线性支持向量机与Pegasos算法 99
5.6 支持向量回归 100
5.7 本章小结 102
5.8 习题 103
第6章 决策树 107
6.1 决策过程与决策树 107
6.2 建立决策树的基本原则 109
6.2.1 “纯度”与特征选择 110
6.2.2 信息增益 111
6.3 决策树生成算法 112
6.3.1 ID3算法 112
6.3.2 C4.5算法 113
6.4 决策树的剪枝 118
6.5分类回归树 128
6.6 本章小结 132
6.7 习题 132
第7章 集成学习 136
7.1 集成学习的原理 136
7.2 分类器优劣与泛化误差 136
7.3 Bagging算法 142
7.4 随机森林 147
7.5 Boosting 148
7.6 本章小结 157
7.7 习题 158
第8章 无监督学习 164
8.1 什么是无监督学习 164
8.2 均值聚类 165
8.2.1 均值算法模型 165
8.2.2 均值优化 166
8.2.3 均值的数据预处理 167
8.2.4 均值初始化 168
8.2.5 值大小的确定方法 169
8.3 基于密度的聚类 171
8.3.1 高斯混合模型的产生 171
8.3.2 高斯混合模型的梯度下降 172
8.3.3 高斯混合模型的期望化算法 174
8.3.4 一般情况下的期望化算法 176
8.3.5 majorize-minimize算法 177
8.3.6 高斯混合模型的MM算法求解 178
8.3.7 DBSCAN算法 180
8.4 层次聚类 183
8.4.1 凝聚式层次聚类 183
8.5 本章小结 184
8.6 习题 185
第9章 降维分析 187
9.1 主成分分析 187
9.1.1 主成分分析目标函数的化简 188
9.1.2 主成分分析目标函数的优化 190
9.1.3 主成分分析的预处理 191
9.2 隐语义模型 192
9.2.1 一词一义与词频-逆词频表示 192
9.2.2 隐语义模型 193
9.2.3 概率隐语义模型 196
9.2.4 非负矩阵分解 198
9.2.5 非负矩阵分解的乘法更新法则 198
9.2.6 非负矩阵分解的梯度投影 200
9.3 本章小节 201
9.4 习题 202
第10章 神经网络 203
10.1 神经元模型 204
10.2 多层前馈神经网络 206
10.3 本章小结 226
10.4 习题 226
第11章 深度神经网络 227
11.1 卷积神经网络 227
11.2 循环神经网络 233
11.3 生成对抗网络 241
11.4 小结 251
11.5 习题 252