AIGC的应用领域日益广泛，而在图像生成领域，扩散模型则是AIGC技术的一个重要应用。本书以扩散模型理论知识为切入点，由浅入深地介绍了扩散模型的相关知识，并以大量生动有趣的实战...
电子书
内容简介
本书共11章，主要介绍机器学习的基本概念和两大类常用的机器学习模型，即监督学习模型和非监督学习模型。
章节目录
- A-fy
- 54274-bq
- C-bwh
- D-x1
- E-x2
- F-qy
- G-ml
- 01
- / 1.1 什么是机器学习
- / 1.2 机器学习简史
- / 1.3 机器学习任务的类型
- 1.3.1 监督学习
- 1．输入空间、特征空间和输出空间
- 2．假设空间
- 1.3.2 无监督学习
- / 1.4 机器学习项目的一般步骤
- 1．明确任务，收集数据
- 2．数据预处理和特征工程
- 3．模型训练
- 4．模型评估与超参数调优
- 5．模型融合（可选）
- 6．模型应用
- / 1.5 模型评估
- 1.5.1 交叉验证
- 1.5.2 超参数调优
- 1．网格搜索
- 2．随机搜索
- / 1.6 本章小结
- / 1.7 习题
- 02
- /2.1 线性回归简介
- / 2.2 线性回归模型的目标函数
- 2.2.1 回归模型的损失函数
- 1．L2损失
- 2．L1损失
- 3．胡伯（Huber）损失
- 2.2.2 线性回归模型的正则函数
- 1．无正则：最小二乘线性回归
- 2．L2正则：岭回归
- 3．L1正则：最小绝对值收缩和选择算子
- 4．L2正则+L1正则：弹性网络
- / 2.3 线性回归模型的优化求解
- 2.3.1 解析求解法
- 1．最小二乘线性回归解析求解
- 2．岭回归解析求解
- 2.3.2 梯度下降法
- 2.3.3 坐标轴下降法
- 1. 坐标轴下降法
- 2．Lasso优化求解之坐标轴下降法
- / 2.4 回归任务的性能指标
- / 2.5 线性回归模型的超参数调优
- / 2.6 案例分析1：广告费用与销量预测
- 1．数据分析
- 2．特征工程
- 3．线性回归模型应用
- / 2.7 案例分析2：共享单车骑行量预测
- 1．数据分析
- 2．数据探索和特征工程
- 3．线性回归模型应用
- / 2.8 本章小结
- / 2.9 习题
- 03
- / 3.1 Logistic回归模型
- / 3.2 Logistic回归模型的目标函数
- / 3.3 Logistic回归目标函数优化求解
- 3.3.1 梯度下降法
- 3.3.2 牛顿法
- 1．牛顿法
- 2．Logistic回归的牛顿法求解
- 3.3.3 拟牛顿法
- 1．拟牛顿法条件
- 2．BFGS
- / 3.4 多类分类任务
- / 3.5 分类任务的性能指标
- 1．正确率（Accuracy）
- 2．交叉熵损失（logloss）
- 3．合页损失（Hingeloss）
- 4．混淆矩阵（Confusion Matrix）
- 5．ROC与AUC值
- 6．P-R曲线与AP
- 7．多类分类任务评级指标
- / 3.6 数据不均衡分类问题
- 3.6.1 重采样
- 1．上采样与样本合成
- 2．下采样与集成学习
- 3．舍弃所有少数类，转换为异常检测问题
- 3.6.2 代价敏感学习
- / 3.7 案例分析：奥拓商品分类
- 1．数据探索和特征工程
- 2．特征工程
- 3．Logistic回归模型的应用
- / 3.8 本章小结
- / 3.9 习题
- 04
- / 4.1 SVM的基本型
- 4.1.1 最大间隔
- 4.1.2 SVM的对偶问题
- / 4.2 带松弛因子的SVM
- / 4.3 合页损失函数
- / 4.4 核方法
- 4.4.1 核技巧
- 4.4.2 核函数构造
- 1．线性核函数
- 2．多项式核函数
- 3．高斯核函数
- / 4.5 SVM优化求解：SMO
- 4.5.1 SMO算法原理
- 4.5.2 对原始解进行修剪
- 4.5.3 𝜶选择
- 4.5.4 更新截距项𝒃
- 4.5.5 SMO小结
- / 4.6 支持向量回归
- 4.6.1 𝝐不敏感损失函数
- 4.6.2 支持向量回归
- / 4.7 案例分析1：奥拓商品分类
- / 4.8 案例分析2：共享单车骑行量预测
- / 4.9 本章小结
- / 4.10 习题
- 05
- / 5.1 生成式分类器
- / 5.2 贝叶斯规则
- 5.2.1 贝叶斯公式
- 5.2.2 朴素贝叶斯分类器
- 1．类先验概率𝑃(𝑌=𝑐)
- 2．类条件概率𝑝(,𝑥-𝑗.|𝑌=𝑐)
- 5.2.3 朴素贝叶斯分类器的训练
- 1．类先验概率𝑃(𝑌=𝑐)
- 2．类条件概率𝑝(,𝑥-𝑗.|𝑌=𝑐)
- 5.2.4 案例分析1：奥拓商品分类
- 5.2.5 案例分析2：新闻分类
- / 5.3 高斯判别分析
- 5.3.1 高斯判别分析的基本原理
- 5.3.2 高斯判别分析的模型训练
- 5.3.3 案例分析3：MNIST手写数字识别
- / 5.4 本章小结
- / 5.5 习题
- 06
- / 6.1 决策树基本原理
- / 6.2 建树
- 6.2.1 ID3和C4.5
- 1．信息增益
- 2．信息增益比
- 6.2.2 CART
- / 6.3 剪枝
- / 6.4 提前终止
- / 6.5 案例分析1：蘑菇分类
- / 6.6 案例分析2：共享单车骑行量预测
- / 6.7 本章小结
- / 6.8 习题
- 07
- / 7.1 误差的偏差-方差分解
- 7.1.1 点估计的偏差-方差分解
- 7.1.2 预测误差的偏差-方差分解
- / 7.2 Bagging
- / 7.3 随机森林
- 7.3.1 随机森林的基本原理
- 7.3.2 案例分析：奥拓商品分类
- / 7.4 梯度提升
- / 7.5 XGBoost
- 7.5.1 XGBoost基本原理
- 7.5.2 XGBoost优化
- 7.5.3 XGBoost使用指南
- 1．XGBoost常用的参数
- 2．XGBoost常用的API
- 7.5.4 案例分析：奥拓商品分类
- / 7.6 LightGBM
- 7.6.1 基于直方图的决策树构造算法
- 7.6.2 直方图加速：基于梯度的单边采样算法
- 7.6.3 直方图加速：互斥特征捆绑算法
- 7.6.4 支持离散型特征
- 7.6.5 带深度限制的按叶子生长策略
- 7.6.6 案例分析：奥拓商品分类
- / 7.7 融合
- / 7.8 本章小结
- / 7.9 习题
- 08
- / 8.1 神经元的基本结构
- / 8.2 前馈全连接神经网络
- / 8.3 卷积神经网络
- 8.3.1 卷积层
- 8.3.2 池化层
- 8.3.3 CNN示例：AlexNet
- / 8.4 循环神经网络
- 8.4.1 简单循环神经网络
- 8.4.2 长短时记忆网络
- / 8.5 残差神经网络
- / 8.6 丢弃法
- / 8.7 本章小结
- / 8.8 习题
- 09
- / 9.1 梯度计算：反向传播
- 9.1.1 微积分中的链式法则
- 1．实数对实数求梯度的链式法则
- 2．向量对向量求导
- 3．实数对向量求梯度的链式法则
- 9.1.2 计算图和反向传播
- 9.1.3 DNN的反向传播算法
- 9.1.4 DNN的计算图
- 9.1.5 CNN的反向传播算法
- 1．池化层
- 2．卷积层的反向传播算法
- 9.1.6 循环神经网络的反向传播算法
- / 9.2 激活函数
- 1．Sigmoid
- 2．Tanh
- 3．ReLU
- 4．LeakyReLU
- 5．ELU
- 6．SELU
- 7．MaxOut
- 8．如何选择激活函数
- / 9.3 深度学习中的优化算法
- 9.3.1 动量法
- 9.3.2 自适应学习率
- 1．AdaGrad算法
- 2．RMSProp
- 3．Adam
- / 9.4 权重初始化
- 1．全0
- 2．随机数初始化
- 3．Xavier初始化
- 4．He初始化
- 5．批量归一化
- 6．预训练
- 7．权重初始化建议
- / 9.5 减弱过拟合策略
- 1．数据增广
- 2．正则
- 3．训练提前停止
- / 9.6 案例分析：MNIST手写数字识别
- 1．全连接神经网络
- 2．卷积神经网络
- 3．循环神经网络
- / 9.7 本章小结
- / 9.8 习题
- 10
- / 10.1 主成分分析
- / 10.2 自编码器
- 1．全连接自编码器
- 2．卷积自编码器（Convolutional Auto Encoder, CAE）
- 3．LSTM自编码器
- / 10.3 多维缩放
- / 10.4 等度量映射
- / 10.5 局部线性嵌入
- / 10.6 拉普拉斯特征映射
- / 10.7 基于T分布的随机邻域嵌入
- / 10.8 案例分析：MNIST数据集
- / 10.9 本章小结
- /10.10 习题
- 11
- / 11.1 聚类算法的性能指标
- 11.1.1 外部指标
- 1．Jaccard系数（Jaccard Coefficent，JC）
- 2．FM指数（Fowlkes and Mallows Index，FMI）
- 3．兰德指数（Rand Index，RI）
- 4．调整兰德指数（Adjusted Rand Index，ADI）
- 5．V度量（V-measure）
- 11.1.2 内部指标
- 1．戴维森堡丁指数（Davies-Bouldin Index，DBI）
- 2．邓恩指数（Dunn Validity Index，DVI）
- 3．Calinski-Harabaz指数（Calinski-Harabaz Index，CHI）
- 4．轮廓系数（Silhouette coefficient，SC）
- / 11.2 相似性度量
- 1．欧氏距离
- 2．曼哈顿距离
- 3．切比雪夫距离
- 4．闵可夫斯基氏距离
- 5．马氏距离（Mahalanobis Distance）
- 6．汉明距离（Hamming Distance）
- 7．夹角余弦
- 8．相关系数
- 9．杰卡德相似系数（Jaccard similarity coefficient）
- / 11.3 K均值聚类
- / 11.4 高斯混合模型
- / 11.5 层次聚类
- 11.5.1 凝聚式层次聚类
- 1．最小距离（MIN/Single Linkage）
- 2．最大距离（MAX Complete Linkage）
- 3．平均距离（Group Average Linkage）
- 4．中心点距离（Distance Between Centroids）
- 5．沃德（Wald）距离
- 11.5.2 分裂式层次聚类
- / 11.6 均值漂移聚类
- / 11.7 DBSCAN
- / 11.8 基于密度峰值的聚类
- / 11.9 基于深度学习的聚类
- /11.10 案例分析：MNIST数据集聚类
- /11.11 本章小结
- /11.12 习题
- 12-fl
- / A 奇异值分解
- A.1 特征值和特征向量
- A.2 SVD的定义
- / B 拉格朗日乘子法和卡罗需-库恩-塔克条件
- B.1 拉格朗日乘子法
- B.2 为什么拉格朗日乘子法能够求得最优值
- B.3 KKT条件
- / C 对偶问题
- C.1 原始问题
- C.2 对偶问题
- C.3 原始问题和对偶问题的关系
- 13-ck
- 参考文献
展开全部
机器学习从原理到应用是2020年由人民邮电出版社出版,作者卿来云 黄庆明。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《机器学习从原理到应用》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
AIGC的应用领域日益广泛，而在图像生成领域，扩散模型则是AIGC技术的一个重要应用。本书以扩散模型理论知识为切入点，由浅入深地介绍了扩散模型的相关知识，并以大量生动有趣的实战...
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N...
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...
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...
电子书
《Python机器学习》通过数学解释和编程示例描述了机器学习中的概念，每一章的内容都从技术的基本原理和基于真实数据集的工作实例开始，在提出应用算法建议的同时，指出了每种技术的优...
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...