本书详细地介绍了机器学习的基本原理，并采用“原理简述+问题实例+实际代码+运行结果”的模式介绍常用算法。全书共11章，主要包括决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维等内容。
内容新颖，可操作性强，层层深入，简明易懂。从实用角度出发，重点培养动手解决问题的能力。
提供体系完整的在线实验，即学即练，书网结合。
不拘泥于机器学习的理论算法，注重机器学习的具体应用。
李克清，男，博士，教授，苏州大学硕士生导师，中国矿业大学硕士生导师，中国计算机学会会员，江苏省计算机学会监事。
第 1章 导论 1
1.1 引言 1
1.2 基本术语 2
1.3 概念学习与假设空间 3
1.4 归纳偏好 4
1.5 经验误差与过拟合 5
1.6 模型评估与选择 5
1.7 性能度量 6
1.8 发展历程 8
1.9 应用现状 10
习题1 11
第 2章 Python初步 12
2.1 Python概述 12
2.2 NumPy库介绍 12
2.2.1 ndarray对象 12
2.2.2 ufunc函数 14
2.2.3 常用函数库 15
2.3 Matplotlib库介绍 19
2.3.1 快速绘制二维图表 19
2.3.2 Artist对象 21
2.3.3 配置属性 24
2.3.4 绘制三维图表 24
2.4 SciPy库函数 26
2.4.1 线性代数模块 26
2.4.2 优化和拟合模块 28
2.4.3 统计模块 30
2.4.4 稀疏矩阵模块 32
2.5 scikit-learn库函数 35
2.5.1 sklearn.datasets 35
2.5.2 模型选择与评价 36
2.5.3 scikit-learn的机器学习 44
习题2 46
第3章 决策树 48
3.1 引言 48
3.1.1 决策树的基本思想 48
3.1.2 决策树的构造 49
3.1.3 决策树的算法框架 54
3.1.4 信息增益 54
3.2 ID3决策树 57
3.2.1 ID3算法 57
3.2.2 ID3的实现 59
3.3 C4.5决策树 63
3.3.1 C4.5算法 63
3.3.2 C4.5的实现 64
3.4 sklearn与回归树 68
3.4.1 回归算法原理 68
3.4.2 最小剩余方差法 69
3.4.3 剪枝策略 69
3.4.4 sklearn实现 70
习题3 72
第4章 神经网络 73
4.1 引言 73
4.1.1 人工神经网络的发展历程 73
4.1.2 人工神经网络的特点 74
4.1.3 人工神经网络的分类 75
4.2 神经元模型 75
4.3 感知机与多层神经网络 77
4.3.1 感知机 77
4.3.2 梯度下降法 81
4.3.3 随机梯度下降法 85
4.3.4 多层神经网络 86
4.4 误差反向传播算法 90
4.4.1 BP神经网络学习算法 90
4.4.2 BP神经网络实验 93
4.5 玻耳兹曼机 95
4.5.1 BM的拓扑结构 96
4.5.2 BM的学习过程 96
4.6 综合案例 99
习题4 101
第5章 支持向量机 103
5.1 引言 103
5.2 线性分类 104
5.2.1 函数间隔与几何间隔 104
5.2.2 对偶问题 107
5.3 线性支持向量机 108
5.4 非线性支持向量机 111
5.4.1 核技巧 111
5.4.2 sklearn SVC 113
5.5 序列最小优化算法 117
5.6 综合案例 119
习题5 125
第6章 贝叶斯分类器 127
6.1 引言 127
6.2 朴素贝叶斯分类 128
6.2.1 朴素贝叶斯算法 128
6.2.2 朴素贝叶斯分类算法 129
6.2.3 朴素贝叶斯分类算法的Python实现 131
6.2.4 sklearn的朴素贝叶斯方法 135
6.3 极大似然估计 137
6.3.1 EM算法 138
6.3.2 EM算法步骤 140
6.3.3 三硬币的EM求解 140
6.3.4 sklearn的EM方法 142
6.4 贝叶斯网络 146
6.4.1 贝叶斯网络的构造和学习 146
6.4.2 贝叶斯网络应用举例 147
习题6 150
第7章 集成学习 152
7.1 引言 152
7.2 Voting 153
7.3 Bagging 156
7.4 Boosting 161
7.4.1 AdaBoost法 161
7.4.2 Gradient Boosting 165
7.5 综合案例 168
习题7 171
第8章 聚类 172
8.1 引言 172
8.1.1 聚类的概念 172
8.1.2 典型应用 172
8.1.3 常见算法分类 172
8.1.4 聚类算法中存在的问题 173
8.2 距离计算 173
8.2.1 闵可夫斯基距离 173
8.2.2 欧几里得距离 174
8.2.3 曼哈顿距离 174
8.2.4 切比雪夫距离 175
8.2.5 皮尔逊相关系数 175
8.2.6 余弦相似度 175
8.2.7 杰卡德相似系数 176
8.3 k-means聚类 176
8.3.1 算法思想 176
8.3.2 辅助函数 177
8.3.3 编程实现k-means算法 178
8.3.4 scikit-learn中的k-means方法 179
8.3.5 算法评价 181
8.3.6 算法改进k-means++ 181
8.4 密度聚类 182
8.4.1 密度聚类算法思想 182
8.4.2 DBSCAN算法 182
8.4.3 密度峰值聚类 185
8.5 层次聚类 187
8.5.1 层次聚类思想 187
8.5.2 层次聚类实现 188
8.6 综合实例 190
8.6.1 聚类算法性能比较 190
8.6.2 算法总结 193
习题8 193
第9章 降维 195
9.1 引言 195
9.1.1 降维的概念 195
9.1.2 常见算法分类 195
9.2 k-近邻学习 196
9.2.1 算法实现 197
9.2.2 算法实例 199
9.2.3 算法关键 200
9.3 主成分分析 201
9.3.1 算法思想 201
9.3.2 算法实例 202
9.4 低维嵌入 205
9.4.1 算法原理 205
9.4.2 算法实例 206
9.4.3 算法评价 208
9.5 奇异值分解 209
9.5.1 SVD算法原理 209
9.5.2 SVD算法及应用示例 210
9.6 综合实例 215
9.6.1 PCA实例 215
9.6.2 SVD实例 218
习题9 219
第 10章 概率图模型 221
10.1 引言 221
10.2 马尔科夫过程 222
10.2.1 基本概念 222
10.2.2 隐马尔科夫模型 225
10.3 Viterbi算法 227
10.4 综合案例 231
习题10 233
第 11章 深度学习初步 235
11.1 引言 235
11.2 表示问题 235
11.3 学习问题 236
11.4 优化问题 238
11.5 认知问题 238
11.6 基本模型 239
11.6.1 自编码器 239
11.6.2 受限玻耳兹曼机 240
11.6.3 卷积神经网络 242
11.7 TensorFlow的简介与安装 243
11.7.1 Python 3环境 243
11.7.2 安装TensorFlow 243
11.7.3 验证 243
11.8 TensorFlow的基本使用 243
11.9 基于卷积神经网络的MNIST手写体识别实验 245
11.9.1 conv2d函数 245
11.9.2 max_pool函数 246
11.9.3 示例程序 246
习题11 249
参考文献 250
新书资讯