内容简介
《机器学习理论导引》：
该书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界。除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。
该书可作为高等院校人工智能、计算机、自动化等相关专业机器学习理论课程的教材，也可供对机器学习理论感兴趣的研究人员阅读参考。
《机器学习》：
机器学习是计算机科学的重要分支领域。周志华编写的《机器学习》作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。
该书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
《机器学习公式详解》：
该书是机器学习领域的经典入门教材之一。该书（俗称“南瓜书”）基于Datawhale成员自学“西瓜书”时记下的笔记编著而成，旨在对“西瓜书”中重、难点公式加以解析，以及对部分公式补充具体的推导细节。
全书共16章，与“西瓜书”章节、公式对应，每个公式的推导和解析都以本科数学基础的视角进行讲解，希望能够帮助读者达到“理工科数学基础扎实点的大二下学期学生”水平。每章都附有相关阅读材料，以便有兴趣的读者进一步钻研探索。
该书思路清晰，视角独特，结构合理，可作为高等院校计算机及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
作者简介
谢文睿，北京工业大学硕士，开源组织Datawhale核心成员兼开源项目负责人，主要研究方向为机器学习与自然语言处理。
章节目录
《机器学习理论导引》
前言
主要符号表
第1章 预备知识
1．1 函数的性质
1．2 重要不等式
1．3 最优化基础
1．4 支持向量机
1．5 理论的作用
1．6 阅读材料
习题
参考文献
第2章 可学性
2．1 基本概念
2．2 PAC学习
2．3 分析实例
2．4 阅读材料
习题
参考文献
第3章 复杂度
3．1 数据分布无关
3．2 数据分布相关
3．3 分析实例
3．4 阅读材料
习题
参考文献
第4章 泛化界
4．1 泛化误差上界
4．2 泛化误差下界
4．3 分析实例
4．4 阅读材料
习题
参考文献
第5章 稳定性
5．1 基本概念
5．2 重要性质
5．3 分析实例
5．4 阅读材料
习题
参考文献
第6章 一致性
6．1 基本概念
6．2 替代函数
6．3 划分机制
6．4 分析实例
6．5 阅读材料
习题
参考文献
第7章 收敛率
7．1 基本概念
7．2 确定优化
7．3 随机优化
7．4 分析实例
7．5 阅读材料
习题
参考文献
第8章 遗憾界
8．1 基本概念
8．2 完全信息在线学习
8．3 赌博机在线学习
8．4 分析实例
8．5 阅读材料
习题
参考文献
索引
《机器学习》
第1章 绪论
1．1 引言
1．2 基本术语
1．3 假设空间
1．4 归纳偏好
1．5 发展历程
1．6 应用现状
1．7 阅读材料
习题
参考文献
休息一会儿
第2章 模型评估与选择
2．1 经验误差与过拟合
2．2 评估方法
2．3 性能度量
2．4 比较检验
2．5 偏差与方差
2．6 阅读材料
习题
参考文献
休息一会儿
第3章 线性模型
3．1 基本形式
3．2 线性回归
3．3 对数几率回归
3．4 线性判别分析
3．5 多分类学习
3．6 类别不平衡问题
3．7 阅读材料
习题
参考文献
休息一会儿
第4章 决策树
4．1 基本流程
4．2 划分选择
4．3 剪枝处理
4．4 连续与缺失值
4．5 多变量决策树
4．6 阅读材料
习题
参考文献
休息一会儿
第5章 神经网络
5．1 神经元模型
5．2 感知机与多层网络
5．3 误差逆传播算法
5．4 全局最小与局部极小
5．5 其他常见神经网络
5．6 深度学习
5．7 阅读材料
习题
参考文献
休息一会儿
第6章 支持向量机
6．1 间隔与支持向量
6．2 对偶问题
6．3 核函数
6．4 软间隔与正则化
6．5 支持向量回归
6．6 核方法
6．7 阅读材料
习题
参考文献
休息一会儿
第7章 贝叶斯分类器
7．1 贝叶斯决策论
7．2 极大似然估计
7．3 朴素贝叶斯分类器
7．4 半朴素贝叶斯分类器
7．5 贝叶斯网
7．6 EM算法
7．7 阅读材料
习题
参考文献
休息一会儿
第8章 集成学习
8．1 个体与集成
8．2 Boosting
8．3 Bagging与随机森林
8．4 结合策略
8．5 多样性
8．6 阅读材料
习题
参考文献
休息一会儿
第9章 聚类
9．1 聚类任务
9．2 性能度量
9．3 距离计算
9．4 原型聚类
9．5 密度聚类
9．6 层次聚类
9．7 阅读材料
习题
参考文献
休息一会儿
第10章 降维与度量学习
10．1 南近邻学习
10．2 低维嵌入
10．3 主成分分析
10．4 核化线性降维
10．5 流形学习
10．6 度量学习
10．7 阅读材料
习题
参考文献
休息一会儿
第11章 特征选择与稀疏学习
11．1 子集搜索与评价
11．2 过滤式选择
11．3 包裹式选择
11．4 嵌入式选择与L1正则化
11．5 稀疏表示与字典学习
11．6 压缩感知
11．7 阅读材料
习题
参考文献
休息一会儿
第12章 计算学习理论
12．1 基础知识
12．2 PAC学习
12．3 有限假设空间
12．4 VC维
12．5 Rademacher复杂度
12．6 稳定性
12．7 阅读材料
习题
参考文献
休息一会儿
第13章 半监督学习
13．1 未标记样本
13．2 生成式方法
13．3 半监督SVM
13．4 图半监督学习
13．5 基于分歧的方法
13．6 半监督聚类
13．7 阅读材料
习题
参考文献
休息一会儿
第14章 概率图模型
14．1 隐马尔可夫模型
14．2 马尔可夫随机场
14．3 条件随机场
14．4 学习与推断
14．5 近似推断
14．6 话题模型
14．7 阅读材料
习题
参考文献
休息一会儿
第15章 规则学习
15．1 基本概念
15．2 序贯覆盖
15．3 剪枝优化
15．4 一阶规则学习
15．5 归纳逻辑程序设计
15．6 阅读材料
习题
参考文献
休息一会儿
第16章 强化学习
16．1 任务与奖赏
16．2 K-摇臂赌博机
16．3 有模型学习
16．4 免模型学习
16．5 值函数近似
16．6 模仿学习
16．7 阅读材料
习题
参考文献
休息一会儿
附录
A 矩阵
B 优化
C 概率分布
后记
索引
《机器学习公式详解》
机器学习+机器学习公式详解+机器学习理论导引是2020年由机械工业出版社，清华大学出版社，人民邮电出版社出版,作者周志华，王魏，高尉，张利军，谢文睿。
得书感谢您对《机器学习+机器学习公式详解+机器学习理论导引》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
