搜索
高级检索
高级搜索
书       名 :
著       者 :
出  版  社 :
I  S  B  N:
文献来源:
出版时间 :
机器学习导论
0.00    
图书来源: 浙江图书馆(由图书馆配书)
  • 配送范围:
    全国(除港澳台地区)
  • ISBN:
    9787111548683
  • 作      者:
    (美)米罗斯拉夫·库巴特(Miroslav Kubat)著
  • 出 版 社 :
    机械工业出版社
  • 出版日期:
    2016
收藏
编辑推荐
  人工智能专家米罗斯拉夫?库巴特教授25年倾心打造
  系统解读了有关机器学习的14个方面,快速读懂机器学习
  全面揭开机器学习的奥秘
  本书系统全面,既可以自学又可以作为研究参考。既道出了机器学习的前世今生,又展望了发展的未来,让道听途说的信息止于智者。全面讨论机器学习方法和技术,层次合理、叙述清晰、难度适中。涵盖了经典的机器学习算法和理论,同时补充了近年来新出现的机器学习方法。
展开
作者简介
  米罗斯拉夫·库巴特,美国迈阿密大学教授,从事机器学习教学和研究超过25年。他已发表100余篇经过同行评审的论文,与人合编了两本著作,是近60个会议和研讨会的程序委员会委员,并担任3本学术刊物的编委。他在两个方面的前沿研究上得到了广泛赞誉:时变概念的归纳学习和在非平衡训练集上的学习。此外,在多标签样例上的归纳学习、层次组织的类别上的归纳学习、遗传算法、神经网络的初始化等问题上,他也做出了很多贡献。
展开
内容介绍
  这本书通过给出易操作的实践指导、采用简单的例子、激励学生讨论有趣的应用问题,用一种易于理解的方式介绍了机器学习的基本思想。本书主题包括贝叶斯分类器、近邻分类器、线性和多项式分类器、决策树、神经网络以及支持向量机。后面的章节展示了如何把这些简单工具通过“提升”(boosting)的方式结合起来,怎样将它们应用于更加复杂的领域,以及如何处理各种高级的实践问题。其中有一章介绍了广为人知的遗传算法。
展开
精彩书评
  本书组织完备,每一节都有一个“你学到了什么”的小结,每一章都有简明扼要的总结及历史简评,并提供了大量的练习。全书章节都有经过精心选择和设计的例子,以帮助读者理解每一个概念。通过阅读本书,我学到了很多机器学习的基本知识。
  ——雅克·凯瑞特 |《计算评论》

  米罗斯拉夫·库巴特所著的这本《机器学习导论》更像是一本科普性质的读物,作者尽量避开复杂的数学公式,用生动形象的方式介绍机器学习算法,而且本书篇幅适当,又涵盖了几乎所有基本的机器学习方法,使得本书不仅适合作为本科学生机器学习课的教材,也适合想了解机器学习入门知识的普通读者。
  ——刘成林|中国科学院自动化研究所副所长、模式识别国家重点实验室主任
展开
精彩书摘
  遗传算法是一个通用的一般框架,有无数可能的变化。本节将介绍两种有趣的技术。
  拉马克(Lamarckian)选择的说明。计算机程序不像生物学那样会受到限制。设计者常抛弃这些限制,就像早期飞行员抛弃了羽毛翅膀的想法那样。在创造“永生”样本时我们就违反过限制,把样本直接复制进后代从而免受到重组和变异的破坏。接下来再看看另一种情况。
  在基准遗传算法中,新的子串只能在重组和变异的随机过程中产生。在这之后,遗传信息在样本整个生命周期中都将保持不变。一个比达尔文更早的生物学家让-巴蒂斯特·拉马克(Jean-Baptiste Larmarck)的想法更加灵活:他认为生物体的进化是受需求驱动的。长颈鹿为了能吃到高处的树叶而不停地伸脖子,于是脖子变长,长脖子这一进化又遗传给后代。尽管拉马克的假说在生物学里被认为是不成立的,但是在其他领域并不是完全没有用。例如,研究人员可通过发表科学论文把知识传递给后来人。
  相比经典的达尔文进化过程,拉马克的进化过程要快得多,这就是为什么我们要在遗传算法中实现它的原因。把这个概念并入到图13.1所示的循环中的最简单的办法是把“拉马克”算子放在“幸运轮”和重组算子之间。拉马克算子的任务是通过适应性来改善染色体。例如,我们可以设问,如果某一位产生了变异会发生什么?因为变异是不可逆的,所以我们可以在变异过程中更灵活一些,先测试当第i位翻转后将发生什么,然后选择较好的版本。
  多种群搜索。多种群搜索要和遗传算法依靠的多参数一起进行。大多数时候要靠个人的经验,另外也可以在相同的初始种群上并行地运行多个遗传算法,每个都有各自的变异频率、是否逆序变异、不同的重组算子的组合或修改过的适应度函数。在这些情况中,有一些搜索能更快地找到解。
  回忆一下在讨论过早退化那一节曾提到的多种群搜索。在那里建议让两个或多个种群在相对隔绝的情况下独立进化,偶尔允许异种杂交。而如果种群使用了本文前面提到的不同的染色体定义,则这种杂交可能不容易实现。这时编程人员需要使用专门的程序实现一种编码向另一种编码的转换。
  数据串,符号串。染色体编码不需要必须是二进制位串,也可以是数字串或字符串。前面提到的重组算子都可以用于这两种编码形式,但变异算子需要做些改变。在数字串中最常见的变异是用“噪声”叠加到部分(或全部)染色体的“基因”上。例如,如果所有的位置包含区间[0,100]的数字,于是噪声就可以建模为区间[-a,+a]的随机数,其中a是用户指定的参数,类似于前面二进制串中的变异频率。它的工作原理见下表:
  ……
展开
目录
推荐序
前言
第1章 一个简单的机器学习任务//
1.1训练集和分类器//
1.2一点题外话:爬山搜索//
1.3机器学习中的爬山法//
1.4分类器的性能//
1.5可用数据的困难//
1.6总结和历史简评//
1.7巩固你的知识//
第2章 概率:贝叶斯分类器//
2.1单属性的情况//
2.2离散属性值的向量//
2.3稀少事件的概率:利用专家的直觉//
2.4如何处理连续属性//
2.5高斯钟形函数:一个标准的概率密度函数//
2.6用高斯函数的集合近似概率密度函数//
2.7总结和历史简评//
2.8巩固你的知识//
第3章 相似性:最近邻分类器//
3.1k近邻法则//
3.2度量相似性//
3.3不相关属性与尺度缩放问题//
3.4性能方面的考虑//
3.5加权最近邻//
3.6移除危险的样例//
3.7移除多余的样例//
3.8总结和历史简评//
3.9巩固你的知识//
第4章 类间边界:线性和多项式分类器//
4.1本质//
4.2加法规则:感知机学习//
4.3乘法规则:WINNOW//
4.4多于两个类的域//
4.5多项式分类器//
4.6多项式分类器的特殊方面//
4.7数值域和支持向量机//
4.8总结和历史简评//
4.9巩固你的知识//
第5章 人工神经网络//
5.1作为分类器的多层感知机//
5.2神经网络的误差//
5.3误差的反向传播//
5.4多层感知机的特殊方面//
5.5结构问题//
5.6径向基函数网络//
5.7总结和历史简评//
5.8巩固你的知识//
第6章 决策树//
6.1作为分类器的决策树//
6.2决策树的归纳学习//
6.3一个属性承载了多少信息//
6.4数值属性的二元划分//
6.5剪枝//
6.6将决策树转换为规则//
6.7总结和历史简评//
6.8巩固你的知识//
第7章 计算学习理论//
7.1PAC 学习//
7.2PAC可学习性的实例//
7.3一些实践和理论结果//
7.4VC维与可学习性//
7.5总结和历史简评//
7.6巩固你的知识//
第8章 几个有帮助的案例//
8.1字符识别//
8.2溢油检测//
8.3睡眠分类//
8.4脑机界面//
8.5医疗诊断//
8.6文本分类//
8.7总结和历史简评//
8.8巩固你的知识//
第9章 投票组合简介//
9.1“装袋”方法(Bagging)//
9.2夏皮尔提升(Schapires Boosting)//
9.3Adaboost——Boosting的实用版本//
9.4Boosting方法的变种//
9.5Boosting方法的计算优势//
9.6总结和历史简评//
9.7巩固你的知识//
第10章 了解一些实践知识//
10.1学习器的偏好//
10.2不平衡训练集//
10.3语境相关域//
10.4未知属性值//
10.5属性选择//
10.6杂项//
10.7总结和历史简评//
10.8巩固你的知识//
第11章 性能评估//
11.1基本性能标准//
11.2精度和查全率//
11.3测量性能的其他方法//
11.4多标签域内的性能//
11.5学习曲线和计算开销//
11.6实验评估的方法//
11.7总结和历史简评//
11.8巩固你的知识//
第12章 统计显著性//
12.1总体抽样//
12.2从正态分布中获益//
12.3置信区间//
12.4一个分类器的统计评价//
12.5另外一种统计评价//
12.6机器学习技术的比较//
12.7总结和历史简评//
12.8巩固你的知识//
第13章 遗传算法//
13.1基本遗传算法//
13.2单个模块的实现//
13.3为什么能起作用//
13.4过早退化的危险//
13.5其他遗传算子//
13.6高级版本//
13.7k-NN 分类器的选择//
13.8总结和历史简评//
13.9巩固你的知识//
第14章 增强学习//
14.1如何选出最高奖励的动作//
14.2游戏的状态和动作//
14.3SARSA方法//
14.4总结和历史简评//
14.5巩固你的知识//
参考文献//
展开
加入书架成功!
收藏图书成功!
我知道了(3)
发表书评
读者登录

请选择您读者所在的图书馆

选择图书馆
浙江图书馆
点击获取验证码
登录
没有读者证?在线办证