机器学习

《机器学习》是全面的机器学习教材之一。书中首先介绍了机器学习的构成要素（任务、模型、特征）和机器学习任务，接着详细分析了逻辑模型（树模型、规则模型）、几何模型（线性模型和基于距离的模型）和概率模型，然后讨论了特征、模型的集成，以及被机器学习研究者称为“实验”的方法。作者不仅使用了已有术语，还引入了一些新的概念，同时提供了大量精选的示例和插图解说。

　Peter Flach，布里斯托大学人工智能教授，拥有20多年的机器学习教研经验。在高度结构化的数据挖掘以及通过ROC分析来评估和改进机器学习模型方面，Flach是国际领先的研究人员。他还是Machine Learning期刊总编。曾担任2009年ACM知识发现与数据挖掘国际会议、2012年欧洲机器学习与数据挖掘国际会议的程序委员会共同主席。另著有Simply Logical: Intelligent Reasoning by Example。

《机器学习》是迄今市面上内容全面的机器学习教材之一，书中汇集了所有用于理解、挖掘和分析数据的先进方法，并且通过数百个精选实例和解说性插图，直观而准确地阐释了这些方法背后的原理，内容涵盖了机器学习的构成要素和机器学习任务、逻辑模型、几何模型、统计模型，以及矩阵分解、ROC分析等时下热点话题。
　　本书不仅内容丰富，而且图文并茂，无论是新手还是有经验的读者都能从中获益。

人工智能、大数据分析、机器人等领域在近年来日益引人瞩目，而机器学习则是其中一类非常重要的理论和工具。Peter Flach 教授的这部著作可作为机器学习的入门图书，帮助广大迫切希望了解和掌握机器学习的同学和工程师奠定良好的基础。
　　本书各章节的选题恰到好处，不但对经典机器学习框架中的模型做了非常系统的梳理和分类，涵盖了机器学习基础知识的主要部分，如不同的学习模型、特征、集成学习，而且还对机器学习实验，尤其是机器学习算法的评价（ROC分析）给予了特别的关注，这是十分难能可贵的（在一定程度上弥补了同类教科书的空白）。只要理解了上述内容，相信读者便掌握了机器学习的基本要素，同时有能力进一步就一些更专门、更前沿的主题，如在线学习、主动学习、强化学习、深度学习等，进行更为深入的学习和探索。从这个意义上讲，作者对本书的导论性著作的定位已充分地达成了。
　　对于如何帮助读者充分理解书中的知识点，作者也予以了充分考虑。书中配有相当数量的图解和实例，旨在突出机器学习理论的直观性。这些内容的数学门槛不高，对工程师和工科学生无疑会有很大的帮助。在各章节中，作者还对每种方法的历史影响进行了介绍，相信会十分有助于提升读者的学习兴趣。作者作为在该领域耕耘多年的研究人员，拥有非常丰富的实践经验，在不少章节中都详尽地分享了实践经验，比如特征和实验这两章。相信这些宝贵的经验会为读者朋友们具体实践机器学习理论带来更好的可操作性。
　　最后要提到译者段菲的翻译，通篇用语规范、表达准确，总体说来是非常不错的翻译版本。作为计算机视觉领域的优秀研究人员，他本人也在使用机器学习方面有着丰富的研究和实践经验，相信这些都为这本书的翻译质量带来不少保证。
　　张益民
　　英特尔（中国）研究院首席研究员

绪　论　机器学习概述 1
第1章　机器学习的构成要素　9
1．1　任务：可通过机器学习解决的问题　9
1．1．1　探寻结构　11
1．1．2　性能评价　13
1．2　模型：机器学习的输出　14
1．2．1　几何模型　14
1．2．2　概率模型　17
1．2．3　逻辑模型　22
1．2．4　分组模型与评分模型　26
1．3　特征：机器学习的马达　26
1．3．1　特征的两种用法　28
1．3．2　特征的构造与变换　29
1．3．3　特征之间的交互　32
1．4　总结与展望　33
第2章　两类分类及相关任务　37
2．1　分类　39
2．1．1　分类性能的评价　40
2．1．2　分类性能的可视化　43
2．2　评分与排序　46
2．2．1　排序性能的评价及可视化　48
2．2．2　将排序器转化为分类器　52
2．3　类概率估计　54
2．3．1　类概率估计量　55
2．3．2　将排序器转化为概率估计子　57
2．4　小结与延伸阅读　59
第3章　超越两类分类　61
3．1　处理多类问题　61
3．1．1　多类分类　61
3．1．2　多类得分及概率　65
3．2　回归　68
3．3　无监督学习及描述性学习　70
3．3．1　预测性聚类与描述性聚类　71
3．2．2　其他描述性模型　74
3．4　小结与延伸阅读　76
第4章　概念学习　77
4．1　假设空间　78
4．1．1　最小一般性　79
4．1．2　内部析取　82
4．2　通过假设空间的路径　84
4．2．1　最一般相容假设　86
4．2．2　封闭概念　87
4．3　超越合取概念　88
4．4　可学习性　92
4．5　小结与延伸阅读　94
第5章　树模型　97
5．1　决策树　100
5．2　排序与概率估计树　103
5．3　作为减小方差的树学习方法　110
5．3．1　回归树　110
5．3．2　聚类树　113
5．4　小结与延伸阅读　115
第6章　规则模型　117
6．1　学习有序规则列表　117
6．2　学习无序规则集　124
6．2．1　用于排序和概率估计的规则集　128
6．2．2　深入探究规则重叠　130
6．3　描述性规则学习　131
6．3．1　用于子群发现的规则学习　131
6．3．2　关联规则挖掘　135
6．4　一阶规则学习　139
6．5　小结与延伸阅读　143
第7章　线性模型　145
7．1　最小二乘法　146
7．1．1　多元线性回归　150
7．1．2　正则化回归　153
7．1．3　利用最小二乘回归实现分类　153
7．2　感知机　155
7．3　支持向量机　158
7．4　从线性分类器导出概率　164
7．5　超越线性的核方法　168
7．6　小结与延伸阅读　170
第8章　基于距离的模型　173
8．1　距离测度的多样性　173
8．2　近邻与范例　178
8．3　最近邻分类器　182
8．4　基于距离的聚类　184
8．4．1　K均值算法　186
8．4．2　K中心点聚类　187
8．4．3　silhouette　188
8．5　层次聚类　190
8．6　从核函数到距离　194
8．7　小结与延伸阅读　195
第9章　概率模型　197
9．1　正态分布及其几何意义　200
9．2　属性数据的概率模型　205
9．2．1　利用朴素贝叶斯模型实现分类　206
9．2．2　训练朴素贝叶斯模型　209
9．3　通过优化条件似然实现鉴别式学习　211
9．4　含隐变量的概率模型　214
9．4．1　期望最大化算法　215
9．4．2　高斯混合模型　216
9．5　基于压缩的模型　218
9．6　小结与延伸阅读　220
第10章　特征　223
10．1　特征的类型　223
10．1．1　特征上的计算　223
10．1．2　属性特征、有序特征及数量特征　227
10．1．3　结构化特征　228
10．2　特征变换　229
10．2．1　阈值化与离散化　229
10．2．2　归一化与标定　234
10．2．3　特征缺失　239
10．3　特征的构造与选择　240
10．4　小结与延伸阅读　243
第11章　模型的集成　245
11．1　Bagging 与随机森林　246
11．2　Boosting　247
11．3　集成学习进阶　250
11．3．1　偏差、方差及裕量　250
11．3．2　其他集成方法　251
11．3．3　元学习　252
11．4　小结与延伸阅读　252
第12章　机器学习的实验　255
12．1　度量指标的选择　256
12．2　量指标的获取　258
12．3　如何解释度量指标　260
12．4　小结与延伸阅读　264
后记　路在何方　267
记忆要点　269
参考文献　271

机器学习,人工智能,数据挖掘,技术,计算机科学,数据分析,【已购】,逻辑