内容简介
周志华老师的《机器学习》（俗称“西瓜书”）是机器学习领域的经典入门教材之一。本书是《机器学习公式详解》（俗称“南瓜书”）的第2 版。相较于第1 版，本书对“西瓜书”中除了公式以外的重、难点内容加以解析，以过来人视角给出学习建议，旨在对比较难理解的公式和重点内容扩充具体的例子说明，以及对跳步过大的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释都以本科数学基础的视角进行讲解，希望能够帮助读者快速掌握各个机器学习算法背后的数学原理。
本书思路清晰，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
展开全文
- 版权信息
- 版 权
- 内 容 提 要
- 序
- 前 言
- 主要符号表
- 资源与支持
- 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
- 1.4.1 式(1.1)和式(1.2)的解释
- 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
- 2.2.1 算法参数（超参数）与模型参数
- 2.2.2 验证集
- 2.3 性能度量
- 2.3.1 式(2.2) ～式(2.7)的解释
- 2.3.2 式(2.8)和式(2.9)的解释
- 2.3.3 图2.3的解释
- 2.3.4 式(2.10)的推导
- 2.3.5 式(2.11)的解释
- 2.3.6 式(2.12) ～式(2.17)的解释
- 2.3.7 式(2.18)和式(2.19)的解释
- 2.3.8 式(2.20)的推导
- 2.3.9 式(2.21)和式(2.22)的推导
- 2.3.10 式(2.23)的解释
- 2.3.11 式(2.24)的解释
- 2.3.12 式(2.25)的解释
- 2.4 比较检验
- 2.4.1 式(2.26)的解释
- 2.4.2 式(2.27)的推导
- 2.5 偏差与方差
- 2.5.1 式(2.37) ～式(2.42)的推导
- 参考文献
- 第3章 线性模型
- 3.1 基本形式
- 3.2 线性回归
- 3.2.1 属性数值化
- 3.2.2 式(3.4)的解释
- 3.2.3 式(3.5)的推导
- 3.2.4 式(3.6)的推导
- 3.2.5 式(3.7)的推导
- 3.2.6 式(3.9)的推导
- 3.2.7 式(3.10)的推导
- 3.2.8 式(3.11)的推导
- 3.3 对率回归
- 3.3.1 式(3.27)的推导
- 3.3.2 梯度下降法
- 3.3.3 牛顿法
- 3.3.4 式(3.29)的解释
- 3.3.5 式(3.30)的推导
- 3.3.6 式(3.31)的推导
- 3.4 线性判别分析
- 3.4.1 式(3.32)的推导
- 3.4.2 式(3.37) ～式(3.39)的推导
- 3.4.3 式(3.43)的推导
- 3.4.4 式(3.44)的推导
- 3.4.5 式(3.45)的推导
- 3.5 多分类学习
- 3.5.1 图3.5的解释
- 3.6 类别不平衡问题
- 参考文献
- 第4章 决策树
- 4.1 基本流程
- 4.2 划分选择
- 4.2.1 式(4.1)的解释
- 4.2.2 式(4.2)的解释
- 4.2.3 式(4.4)的解释
- 4.2.4 式(4.5)的推导
- 4.2.5 式(4.6)的解释
- 4.3 剪枝处理
- 4.4 连续值与缺失值
- 4.4.1 式(4.7)的解释
- 4.4.2 式(4.8)的解释
- 4.4.3 式(4.12)的解释
- 4.5 多变量决策树
- 4.5.1 图4.10的解释
- 4.5.2 图4.11的解释
- 参考文献
- 第5章 神经网络
- 5.1 神经元模型
- 5.2 感知机与多层网络
- 5.2.1 式(5.1)和式(5.2)的推导
- 5.2.2 图5.5的解释
- 5.3 误差逆传播算法
- 5.3.1 式(5.10)的推导
- 5.3.2 式(5.12)的推导
- 5.3.3 式(5.13)的推导
- 5.3.4 式(5.14)的推导
- 5.3.5 式(5.15)的推导
- 5.4 全局最小与局部极小
- 5.5 其他常见神经网络
- 5.5.1 式(5.18)的解释
- 5.5.2 式(5.20)的解释
- 5.5.3 式(5.22)的解释
- 5.5.4 式(5.23)的解释
- 5.6 深度学习
- 5.6.1 什么是深度学习
- 5.6.2 深度学习的起源
- 5.6.3 怎么理解特征学习
- 参考文献
- 第6章 支持向量机
- 6.1 间隔与支持向量
- 6.1.1 图6.1的解释
- 6.1.2 式(6.1)的解释
- 6.1.3 式(6.2)的推导
- 6.1.4 式(6.3)的推导
- 6.1.5 式(6.4)的推导
- 6.1.6 式(6.5)的解释
- 6.2 对偶问题
- 6.2.1 凸优化问题
- 6.2.2 KKT条件
- 6.2.3 拉格朗日对偶函数
- 6.2.4 拉格朗日对偶问题
- 6.2.5 式(6.9)和式(6.10)的推导
- 6.2.6 式(6.11)的推导
- 6.2.7 式(6.13)的解释
- 6.3 核 函 数
- 6.3.1 式(6.22)的解释
- 6.4 软间隔与正则化
- 6.4.1 式(6.35)的推导
- 6.4.2 式(6.37)和式(6.38)的推导
- 6.4.3 式(6.39)的推导
- 6.4.4 式(6.40)的推导
- 6.4.5 对率回归与支持向量机的关系
- 6.4.6 式(6.41)的解释
- 6.5 支持向量回归
- 6.5.1 式(6.43)的解释
- 6.5.2 式(6.45)的推导
- 6.5.3 式(6.52)的推导
- 6.6 核 方 法
- 6.6.1 式(6.57)和式(6.58)的解释
- 6.6.2 式(6.65)的推导
- 6.6.3 式(6.66)和式(6.67)的解释
- 6.6.4 式(6.70)的推导
- 6.6.5 核对率回归
- 参考文献
- 第7章 贝叶斯分类器
- 7.1 贝叶斯决策论
- 7.1.1 式(7.5)的推导
- 7.1.2 式(7.6)的推导
- 7.1.3 判别式模型与生成式模型
- 7.2 极大似然估计
- 7.2.1 式(7.12)和式(7.13)的推导
- 7.3 朴素贝叶斯分类器
- 7.3.1 式(7.16)和式(7.17)的解释
- 7.3.2 式(7.18)的解释
- 7.3.3 贝叶斯估计[1]
- 7.3.4 Categorical分布
- 7.3.5 Dirichlet分布
- 7.3.6 式(7.19)和式(7.20)的推导
- 7.4 半朴素贝叶斯分类器
- 7.4.1 式(7.21)的解释
- 7.4.2 式(7.22)的解释
- 7.4.3 式(7.23)的推导
- 7.4.4 式(7.24)和式(7.25)的推导
- 7.5 贝叶斯网
- 7.5.1 式(7.27)的解释
- 7.6 EM算法
- 7.6.1 Jensen不等式
- 7.6.2 EM算法的推导
- 参考文献
- 第8章 集成学习
- 8.1 个体与集成
- 8.1.1 式(8.1)的解释
- 8.1.2 式(8.2)的解释
- 8.1.3 式(8.3)的推导
- 8.2 Boosting
- 8.2.1 式(8.4)的解释
- 8.2.2 式(8.5)的解释
- 8.2.3 式(8.6)的推导
- 8.2.4 式(8.7)的推导
- 8.2.5 式(8.8)的推导
- 8.2.6 式(8.9)的推导
- 8.2.7 式(8.10)的解释
- 8.2.8 式(8.11)的推导
- 8.2.9 式(8.12)的解释
- 8.2.10 式(8.13)的推导
- 8.2.11 式(8.14)的推导
- 8.2.12 式(8.16)的推导
- 8.2.13 式(8.17)的推导
- 8.2.14 式(8.18)的推导
- 8.2.15 式(8.19)的推导
- 8.2.16 AdaBoost的个人推导
- 8.2.17 进一步理解权重更新公式
- 8.2.18 能够接受带权样本的基学习算法
- 8.3 Bagging与随机森林
- 8.3.1 式(8.20)的解释
- 8.3.2 式(8.21)的推导
- 8.3.3 随机森林的解释
- 8.4 结合策略
- 8.4.1 式(8.22)的解释
- 8.4.2 式(8.23)的解释
- 8.4.3 硬投票和软投票的解释
- 8.4.4 式(8.24)的解释
- 8.4.5 式(8.25)的解释
- 8.4.6 式(8.26)的解释
- 8.4.7 元学习器的解释
- 8.4.8 Stacking算法的解释
- 8.5 多 样 性
- 8.5.1 式(8.27)的解释
- 8.5.2 式(8.28)的解释
- 8.5.3 式(8.29)的解释
- 8.5.4 式(8.30)的解释
- 8.5.5 式(8.31)的推导
- 8.5.6 式(8.32)的解释
- 8.5.7 式(8.33)的解释
- 8.5.8 式(8.34)的解释
- 8.5.9 式(8.35)的解释
- 8.5.10 式(8.36)的解释
- 8.5.11 式(8.40)的解释
- 8.5.12 式(8.41)的解释
- 8.5.13 式(8.42)的解释
- 8.5.14 多样性增强的解释
- 8.6 Gradient Boosting、GBDT、XGBoost的联系与区别
- 8.6.1 从梯度下降的角度解释AdaBoost
- 8.6.2 梯度提升
- 8.6.3 梯度提升树(GBDT)
- 8.6.4 XGBoost
- 参考文献
- 第9章 聚 类
- 9.1 聚类任务
- 9.2 性能度量
- 9.2.1 式(9.5)的解释
- 9.2.2 式(9.6)的解释
- 9.2.3 式(9.7)的解释
- 9.2.4 式(9.8)的解释
- 9.2.5 式(9.12)的解释
- 9.3 距离计算
- 9.3.1 式(9.21)的解释
- 9.4 原型聚类
- 9.4.1 式(9.28)的解释
- 9.4.2 式(9.29)的解释
- 9.4.3 式(9.30)的解释
- 9.4.4 式(9.31)的解释
- 9.4.5 式(9.32)的解释
- 9.4.6 式(9.33)的推导
- 9.4.7 式(9.34)的推导
- 9.4.8 式(9.35)的推导
- 9.4.9 式(9.36)的解释
- 9.4.10 式(9.37)的推导
- 9.4.11 式(9.38)的推导
- 9.4.12 图9.6的解释
- 9.5 密度聚类
- 9.5.1 密度直达、密度可达与密度相连
- 9.5.2 图9.9的解释
- 9.6 层次聚类
- 第10章 降维与度量学习
- 10.1 预备知识
- 10.1.1 符号约定
- 10.1.2 矩阵与单位阵、向量的乘法
- 10.2 矩阵的范数与迹
- 10.3 近邻学习
- 10.3.1 式(10.1)的解释
- 10.3.2 式(10.2)的推导
- 10.4 低维嵌入
- 10.4.1 图10.2的解释
- 10.4.2 式(10.3)的推导
- 10.4.3 式(10.4)的推导
- 10.4.4 式(10.5)的推导
- 10.4.5 式(10.6)的推导
- 10.4.6 式(10.10)的推导
- 10.4.7 式(10.11)的解释
- 10.4.8 图10.3关于MDS算法的解释
- 10.5 主成分分析
- 10.5.1 式(10.14)的推导
- 10.5.2 式(10.16)的解释
- 10.5.3 式(10.17)的推导
- 10.5.4 根据式(10.17)求解式(10.16)
- 10.6 核化线性降维
- 10.6.1 式(10.19)的解释
- 10.6.2 式(10.20)的解释
- 10.6.3 式(10.21)的解释
- 10.6.4 式(10.22)的解释
- 10.6.5 式(10.24)的推导
- 10.6.6 式(10.25)的解释
- 10.7 流形学习
- 10.7.1 等度量映射(Isomap)的解释
- 10.7.2 式(10.28)的推导
- 10.7.3 式(10.31)的推导
- 10.8 度量学习
- 10.8.1 式(10.34)的解释
- 10.8.2 式(10.35)的解释
- 10.8.3 式(10.36)的解释
- 10.8.4 式(10.37)的解释
- 10.8.5 式(10.38)的解释
- 10.8.6 式(10.39)的解释
- 参考文献
- 第11章 特征选择与稀疏学习
- 11.1 子集搜索与评价
- 11.1.1 式(11.1)的解释
- 11.1.2 式(11.2)的解释
- 11.2 过滤式选择
- 11.3 包裹式选择
- 11.4 嵌入式选择与正则化
- 11.4.1 式(11.5)的解释
- 11.4.2 式(11.6)的解释
- 11.4.3 式(11.7)的解释
- 11.4.4 式(11.8)的解释
- 11.4.5 式(11.9)的解释
- 11.4.6 式(11.10)的推导
- 11.4.7 式(11.11)的解释
- 11.4.8 式(11.12)的解释
- 11.4.9 式(11.13)的解释
- 11.4.10 式(11.14)的推导
- 11.5 稀疏表示与字典学习
- 11.5.1 式(11.15)的解释
- 11.5.2 式(11.16)的解释
- 11.5.3 式(11.17)的推导
- 11.5.4 式(11.18)的推导
- K-SVD算法
- 11.6 压缩感知
- 11.6.1 式(11.21)的解释
- 11.6.2 式(11.25)的解释
- 参考文献
- 第12章 计算学习理论
- 12.1 基础知识
- 12.1.1 式(12.1)的解释
- 12.1.2 式(12.2)的解释
- 12.1.3 式(12.3)的解释
- 12.1.4 式(12.4)的解释
- 12.1.5 式(12.5)和式(12.6)的解释
- 12.1.6 式(12.7)的解释
- 12.2 PAC学习
- 12.2.1 式(12.9)的解释
- 12.3 有限假设空间
- 12.3.1 式(12.10)的解释
- 12.3.2 式(12.11)的解释
- 12.3.3 式(12.12)的推导
- 12.3.4 式(12.13)的解释
- 12.3.5 式(12.14)的推导
- 12.3.6 引理12.1的解释
- 12.3.7 式(12.18)的推导
- 12.3.8 式(12.19)的推导
- 12.3.9 式(12.20)的解释
- 12.4 VC维
- 12.4.1 式(12.21)的解释
- 12.4.2 式(12.22)的解释
- 12.4.3 式(12.23)的解释
- 12.4.4 引理12.2的解释
- 12.4.5 式(12.28)的解释
- 12.4.6 式(12.29)的解释
- 12.4.7 式(12.30)的解释
- 12.4.8 定理12.4的解释
- 12.5 Rademacher复杂度
- 12.5.1 式(12.36)的解释
- 12.5.2 式(12.37)的解释
- 12.5.3 式(12.38)的解释
- 12.5.4 式(12.39)的解释
- 12.5.5 式(12.40)的解释
- 12.5.6 式(12.41)的解释
- 12.5.7 定理12.5的解释
- 12.6 定理12.6的解释
- 12.6.1 式(12.52)的证明
- 12.6.2 式(12.53)的推导
- 12.7 稳 定 性
- 12.7.1 泛化损失/经验损失/留一损失的解释
- 12.7.2 式(12.57)的解释
- 12.7.3 定理12.8的解释
- 12.7.4 式(12.60)的推导
- 12.7.5 经验损失最小化
- 12.7.6 定理12.9的证明的解释
- 参考文献
- 第13章 半监督学习
- 13.1 未标记样本
- 13.2 生成式方法
- 13.2.1 式(13.1)的解释
- 13.2.2 式(13.2)的推导
- 13.2.3 式(13.3)的推导
- 13.2.4 式(13.4)的推导
- 13.2.5 式(13.5)的解释
- 13.2.6 式(13.6)的解释
- 13.2.7 式(13.7)的解释
- 13.2.8 式(13.8)的解释
- 13.3 半监督SVM
- 13.3.1 图13.3的解释
- 13.3.2 式(13.9)的解释
- 13.3.3 图13.4的解释
- 13.3.4 式(13.10)的解释
- 13.4 图半监督学习
- 13.4.1 式(13.12)的推导
- 13.4.2 式(13.13)的推导
- 13.4.3 式(13.14)的推导
- 13.4.4 式(13.15)的推导
- 13.4.5 式(13.16)的解释
- 13.4.6 式(13.17)的推导
- 13.4.7 式(13.18)的解释
- 13.4.8 式(13.20)的解释
- 13.4.9 式(13.21)的推导
- 13.5 基于分歧的方法
- 13.5.1 图13.6的解释
- 13.6 半监督聚类
- 13.6.1 图13.7的解释
- 13.6.2 图13.9的解释
- 参考文献
- 第14章 概率图模型
- 14.1 隐马尔可夫模型
- 14.1.1 生成式模型和判别式模型
- 14.1.2 式(14.1)的推导
- 14.1.3 隐马尔可夫模型的三组参数
- 14.2 马尔可夫随机场
- 14.2.1 式(14.2)和式(14.3)的解释
- 14.2.2 式(14.4) ～式(14.7)的推导
- 14.2.3 马尔可夫毯
- 14.2.4 势函数
- 14.2.5 式(14.8)的解释
- 14.2.6 式(14.9)的解释
- 14.3 条件随机场
- 14.3.1 式(14.10)的解释
- 14.3.2 式(14.11)的解释
- 14.4 学习与推断
- 14.4.1 式(14.14)的推导
- 14.4.2 式(14.15)和式(14.16)的推导
- 14.4.3 式(14.17)的解释
- 14.4.4 式(14.18)的推导
- 14.4.5 式(14.19)的解释
- 14.4.6 式(14.20)的解释
- 14.4.7 式(14.22)的推导
- 14.4.8 图14.8的解释
- 14.5 近似推断
- 14.5.1 式(14.21) ～式(14.25)的解释
- 14.5.2 式(14.26)的解释
- 14.5.3 式(14.27)的解释
- 14.5.4 式(14.28)的推导
- 14.5.5 吉布斯采样与MH算法
- 14.5.6 式(14.29)的解释
- 14.5.7 式(14.30)的解释
- 14.5.8 式(14.31)的解释
- 14.5.9 式(14.32) ～式(14.34)的推导
- 14.5.10 式(14.35)的解释
- 14.5.11 式(14.36)的推导
- 14.5.12 式(14.37)和式(14.38)的解释
- 14.5.13 式(14.39)的解释
- 14.5.14 式(14.40)的解释
- 14.6 话题模型
- 14.6.1 式(14.41)的解释
- 14.6.2 式(14.42)的解释
- 14.6.3 式(14.43)的解释
- 14.6.4 式(14.44)的解释
- 参考文献
- 第15章 规则学习
- 15.1 剪枝优化
- 15.1.1 式(15.2)和式(15.3)的解释
- 15.2 归纳逻辑程序设计
- 15.2.1 式(15.6)的解释
- 15.2.2 式(15.7)的推导
- 15.2.3 式(15.9)的推导
- 15.2.4 式(15.10)的解释
- 15.2.5 式(15.11)的解释
- 15.2.6 式(15.12)的解释
- 15.2.7 式(15.13)的解释
- 15.2.8 式(15.16)的推导
- 第16章 强化学习
- 16.1 任务与奖赏
- 16.2 -摇臂赌博机
- 16.2.1 式(16.2)和式(16.3)的推导
- 16.2.2 式(16.4)的解释
- 16.3 有模型学习
- 16.3.1 式(16.7)的解释
- 16.3.2 式(16.8)的推导
- 16.3.3 式(16.10)的推导
- 16.3.4 式(16.14)的解释
- 16.3.5 式(16.15)的解释
- 16.3.6 式(16.16)的推导
- 16.4 免模型学习
- 16.4.1 式(16.20)的解释
- 16.4.2 式(16.23)的解释
- 16.4.3 式(16.31)的推导
- 16.5 值函数近似
- 16.5.1 式(16.33)的解释
- 16.5.2 式(16.34)的推导
- 参考文献
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2023
作者：谢文睿
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习公式详解（第2版）》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。
出版时间：2023
作者：谢文睿
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习公式详解（第2版）》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。
机器学习公式详解（第2版）
免费读 (VIP)