机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书涵盖了机器学习和深度学习的基础知识，主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、文本分析、分布式机器学习算法等经典的机器学习基础知识，还包括卷积神经网络、循环神经网络、生成对抗网络、目标检测、自编码器等深度学习的内容。此外，本书还介绍了机器学习的热门应用领域推荐系统以及强化学习等主题。本书深入浅出、内容
电子书
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
章节目录
- 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
机器学习公式详解（第2版）是2023年由人民邮电出版社出版,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。
电子书
电子书
机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了主流机器学习平台的主要特点以及机器学习的实战难点。在此基础上，利用主流的机器学习开源平台TensorFlow、OpenVINO、PaddlePaddle等，通过17个实战案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、聚类、卷积神经网络、循环神经网络、生成对抗网络等机器学习和
电子书
《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。《Python机器学习》力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩
电子书
近年来人工智能技术蓬勃发展，人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学和计算机科学知识的情况下，能够快速上手，使用Python语言实现常用的机器学习算法，并解决一些实际的问题，我们策划并出版本书。本书共14章，内容涵盖基本的机器学习概念和环境搭建，目前各个领域中的热门算法，以及数据预处理、模型评估和文本数据分析等。希望本书可以让读者轻松入门，在动手实践的过程中找到乐趣。本书可以作为
电子书
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。
电子书
大数据时代为机器学习的应用提供了广阔的空间，各行各业涉及数据分析的工作都需要使用机器学习算法。本书围绕实际数据分析的流程展开，着重介绍数据探索、数据预处理和常用的机器学习算法模型。本书从解决实际问题的角度出发，介绍回归算法、分类算法、推荐算法、排序算法和集成学习算法。在介绍每种机器学习算法模型时，书中不但阐述基本原理，而且讨论模型的评价与选择。为方便读者学习各种算法，本书介绍了R语言中相应的软件包
电子书
本书以LEGOMINDSTORMS作为机器人平台，通过全方位的编程实例讲解，深入介绍了ROBOTS的编程方法。
电子书
本书使用Python的机器学习算法库scikit-learn讲解机器学习重要算法的应用，内容包括机器学习认知、数据预处理、KNN算法、线性回归算法、逻辑回归算法、朴素贝叶斯算法、决策树与随机森林算法、支持向量机、k-mcans算法、神经网络、模型评估与优化。本书使用通俗易懂的语言、丰富的图表和大量的案例对机器学习的重要算法进行讲解，提供一条从实践出发掌握机器学习知识的途径，读者即使没有很扎实的数学
