书名：机器学习  
定价：69.0  
ISBN：9787111764939  
作者：胡晓  
版次：1  

内容提要：  

本书系统阐述了机器学习的基本理论、算法和实现。全书共11章：第1章着重介绍了机器学习的基本知识；第2章介绍了样本数据预处理和提取的传统算法（如PCA和LDA），并增加了流形学习和稀疏表征等理论；第3~8章系统介绍了传统机器学习算法，如监督学习（贝叶斯、近邻、线性模型、非线性模型和集成学习）和非监督学习（聚类）；第9、10章分别介绍了概率图模型和人工神经网络的基本理论；第11章着重讲述了强化学习的基本理论和算法。

本书针对理论难点，插入了可视化图，引导读者对理论的理解；每章配有习题，以便指导读者深入地进行学习。每章还配有基于Python的实验，便于工程类读者快速将理论转化为实践应用，也方便学术型读者编程实现。

本书既可作为高等院校本科和研究生人工智能、控制工程、信息处理和智能制造等相关专业的课程教材，也可作为信息系统开发和大数据分析人员的技术参考书。

目录：  

前言

第1章基本知识

11什么是机器学习

111属性

112标注

12机器学习的分类

121监督与无监督学习

122分类与回归

13模型评估

131分类模型评估

132回归模型评估

14优化

141损失函数

142目标函数

143最小二乘法

144梯度下降法

145梯度修正

146学习率调整

15小结与拓展

实验一：模型评价函数编程实验

习题

参考文献

第2章表征学习

21表征学习的目的

22数据预处理

23主成分分析

231目标函数

232基于主成分分析表征学习模型

233人脸PCA表征学习

24线性鉴别分析

241类内散布矩阵和类间散布矩阵

242类可判别性测度

243LDA原理

244人脸的LDA表征学习

25多维缩放

26流形学习

261流形

262等度量映射

263局部线性嵌入

27随机近邻嵌入

271基本随机近邻嵌入

272t分布随机近邻嵌入

28稀疏表征

281压缩感知

282重构算法

283字典学习

284压缩感知在人脸识别中的应用

29小结与拓展

实验二：表征学习实验

习题

参考文献

第3章贝叶斯分类器

31贝叶斯基本概念

32贝叶斯决策准则

33高斯混合模型

34未知概率密度函数估计

341极大似然估计

342极大后验概率估计

343期望极大算法

35朴素贝叶斯

36拉普拉斯平滑

37小结与拓展

实验三：贝叶斯分类器实验

习题

第4章近邻分类器

41近邻规则

42加权近邻分类器

43近邻分类器加速策略

431移除消极样本

432构建搜索树

433部分维度距离计算

44小结与拓展

实验四：近邻分类器实验

习题

参考文献

第5章线性模型

51二类线性模型

52Lasso回归

521Lasso回归求解

522坐标轴下降法

53逻辑回归

54支持向量机

541线性可分支持向量机

542近似线性可分支持向量机

55多类线性模型

551基本策略

552Softmax回归

56类不平衡问题

561阈值移动

562数据再平衡

57小结与拓展

实验五：线性模型实验

习题

参考文献

第6章非线性模型

61二次判别分析

62核方法

621希尔伯特空间

622核函数

623常用核函数

624核函数的应用

63小结与拓展

实验六：非线性模型实验

习题

参考文献

第7章集成学习

71集成学习理论依据

72集成学习机制

73决策树

731什么是决策树

732ID3和C45

733分类回归树

734剪枝

74随机森林

75自适应助推

751学习过程

752基本原理

76小结与拓展

实验七：集成学习实验

习题

参考文献

第8章聚类

81聚类基本理论

811聚类的性质

812相似性测度

813类簇中心

814聚类算法评价指标

82K均值聚类

83层次聚类

831凝聚筑巢

832平衡迭代削减层次聚类

84密度聚类

841DBSCAN

842高斯混合聚类

85小结与拓展

实验八：聚类实验

习题

参考文献

第9章概率图模型

91联合概率

92概率有向图模型

921基本概念

922有向分离

923贝叶斯网络

924隐马尔可夫模型

93概率无向图模型

931条件独立性

932团和势函数

933条件随机场

934马尔可夫随机场在图像处理中的应用

935条件随机场在自然语言处理中的应用

94因子图与和积算法

941因子图

942置信传播

95小结与拓展

实验九：概率图模型实验

习题

参考文献

第10章人工神经网络

101神经元及其基本模型

102激活函数

1021饱和激活函数

1022校正线性单元

1023swish激活函数

1024其他激活函数

103感知机

1031参数学习

1032感知机的异或难题

104前馈神经网络

1041前馈神经网络模型

1042三层前向神经网络实现异或门

1043反向传播算法

105卷积神经网络

1051互相关和卷积

1052卷积神经网络架构

1053卷积神经网络残差反向传播

106简单卷积神经网络

1061LeNet-5

1062AlexNet

1063VGGNet

1064Inception

1065ResNet

107小结与拓展

实验十：人工神经网络实验

习题

参考文献

第11章强化学习

111强化学习概述

1111基本概念

1112策略评估和策略控制

1113强化学习分类

112表格强化学习

1121蒙特卡洛

1122动态规划

1123时序差分学习

113深度强化学习

1131深度Q网络(DQN)

1132Dueling 网络

114小结与拓展

实验十一：强化学习实验

习题

参考文献