编辑推荐

全面易懂的机器学习教材，适合各专业使用。

内容简介

本书兼顾机器学习基础、经典方法和深度学习方法,对组成机器学习的基础知识和基本算法进行了比较细致的介绍,对广泛应用的经典算法如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等算法都给出了深入的分析并讨论了无监督学习的基本方法,对深度学习和强化学习进行了全面的叙述,比较深入地讨论了反向传播算法、多层感知机、CNN、RNN和LSTM等深度神经网络的核心知识和结构;对于强化学习,不仅介绍了经典表格方法,还讨论了深度强化学习。本书是面向大学理工科和管理类各专业的宽口径、综合性机器学习的教材,可供本科生和一年级研究生课程使用,也可供科技人员、工程师和程序员自学机器学习的原理和算法使用。本书对基础和前沿、经典方法和热门技术进行了尽可能的平衡,使得读者不仅能在机器学习领域打下一个良好的基础,同时也可以利用所学知识解决遇到的实际问题并为进入学科前沿打好基础。

章节目录

版权信息

作者简介

内容简介

高等学校电子信息类专业系列教材

序

前言

学习建议

第一部分基础知识和基本方法

第1章机器学习概述

1.1　什么是机器学习

1.2　机器学习的类型

1.3　构建机器学习系统的基本问题

1.4　从简单示例理解机器学习

1.5　深度学习简介

1.6　本章小结

习题

第2章统计与优化基础

2.1　概率论基础

2.2　概率实例

2.3　最大似然估计

2.4　贝叶斯估计

2.5　贝叶斯决策

2.6　随机变量的熵特征

2.7　非参数方法

2.8　优化技术概述

2.9　本章小结

习题

第3章基本回归算法

3.1　线性回归

3.2　正则化线性回归

3.3　线性基函数回归

3.4　本章小结

习题

第二部分经典算法

第7章决策树算法

7.1　基本决策树算法

7.2　CART算法

7.3　决策树的一些实际问题

7.4　本章小结

习题

第8章集成学习算法

8.1　Bagging和随机森林

8.2　提升和AdaBoost算法

8.3　提升树算法

8.4　本章小结

习题

第三部分进阶方法

第9章神经网络与深度学习之一：基础

9.1　神经网络的基本结构

9.2　神经网络的目标函数和优化

9.3　误差反向传播算法

9.4　神经网络学习中的一些问题

9.5　本章小结

习题

参考文献

附录A课程的实践型作业实例

A.1　第1次实践作业

A.2　第2次实践作业

A.3　第3次实践作业

附录B函数对向量和矩阵的求导

机器学习教程(微课视频版)是2023年由清华大学出版社出版,作者张旭东。

得书感谢您对《机器学习教程(微课视频版)》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。