機器學(xué)習與優(yōu)化簡(jiǎn)介，目錄書(shū)摘

編輯推薦:如今是人工智能高歌猛進(jìn)的時(shí)代，機器學(xué)習的發(fā)展也如火如荼。然而，復雜的數學(xué)公式和難解的專(zhuān)業(yè)術(shù)語(yǔ)容易令剛接觸這一領(lǐng)域的學(xué)習者望而生畏。有沒(méi)有這樣一本機器學(xué)習的書(shū)，能摒棄復雜的公式推導，帶領(lǐng)讀者通過(guò)實(shí)踐來(lái)掌握機器學(xué)習的方法？
《機器學(xué)習與優(yōu)化》正是這樣一本書(shū)！它的寫(xiě)作脫胎于意大利特倫托大學(xué)機器學(xué)習與智能優(yōu)化實(shí)驗室（LION lab）的研究項目，語(yǔ)言輕松幽默，內容圖文并茂，涵蓋了機器學(xué)習中可能遇到的各方面知識。更重要的是，書(shū)中特別介紹了兩個(gè)機器學(xué)習的應用，即信息檢索和協(xié)同推薦，讓讀者在了解信息結構的同時(shí)，還能利用信息來(lái)預測相關(guān)的推薦項。
本書(shū)作者以及讀者群發(fā)布的數據、指導說(shuō)明和教學(xué)短片都可以在本書(shū)網(wǎng)站上找到。
本書(shū)內容要點(diǎn)：
● 監督學(xué)習——線(xiàn)性模型、決策森林、神經(jīng)網(wǎng)絡(luò )、深度和卷積網(wǎng)絡(luò )、支持向量機等
● 無(wú)監督模型和聚類(lèi)——K均值、自底而上聚類(lèi)、自組織映射、譜圖繪制、半監督學(xué)習等
● 優(yōu)化是力量之源——自動(dòng)改進(jìn)的局部方法、局部搜索和反饋搜索優(yōu)化、協(xié)作反饋搜索優(yōu)化、多目標反饋搜索優(yōu)化等
● 應用精選——文本和網(wǎng)頁(yè)挖掘，電影的協(xié)同推薦系統

內容簡(jiǎn)介:本書(shū)是機器學(xué)習實(shí)戰領(lǐng)域的一本佳作，從機器學(xué)習的基本概念講起，旨在將初學(xué)者引入機器學(xué)習的大門(mén)，并走上實(shí)踐的道路。本書(shū)通過(guò)講解機器學(xué)習中的監督學(xué)習和無(wú)監督學(xué)習，并結合特征選擇和排序、聚類(lèi)方法、文本和網(wǎng)頁(yè)挖掘等熱點(diǎn)問(wèn)題，論證了“優(yōu)化是力量之源”這一觀(guān)點(diǎn)，為機器學(xué)習在企業(yè)中的應用提供了切實(shí)可行的操作建議。

作者簡(jiǎn)介:【作者簡(jiǎn)介】

羅伯托·巴蒂蒂（Roberto Battiti）
人工智能領(lǐng)域先驅?zhuān)琁EEE會(huì )士。因在無(wú)功搜索優(yōu)化（RSO）方向做出了開(kāi)創(chuàng )性的工作而名震學(xué)界。 目前為意大利特倫托大學(xué)教授，同時(shí)擔任特倫托大學(xué)機器學(xué)習與智能優(yōu)化實(shí)驗室（LION lab）主任。

毛羅·布魯納托（Mauro Brunato）
意大利特倫托大學(xué)助理教授，LION研究團隊成員。

【譯者簡(jiǎn)介】

王彧弋
博士，現于瑞士蘇黎世聯(lián)邦理工學(xué)院從事研究工作，主要研究方向為理論計算機科學(xué)與機器學(xué)習。

目錄:第 1章 引言 1
1．1　學(xué)習與智能優(yōu)化：燎原之火　1
1．2　尋找黃金和尋找伴侶　3
1．3　需要的只是數據　5
1．4　超越傳統的商業(yè)智能　5
1．5　LION方法的實(shí)施　6
1．6　“動(dòng)手”的方法　6
第　2章 懶惰學(xué)習：最近鄰方法　9
第3章　學(xué)習需要方法　14
3．1　從已標記的案例中學(xué)習：最小化和泛化　16
3．2　學(xué)習、驗證、測試　18
3．3　不同類(lèi)型的誤差　21
第　一部分 監督學(xué)習
第4章　線(xiàn)性模型　26
4．1　線(xiàn)性回歸　27
4．2　處理非線(xiàn)性函數關(guān)系的技巧　28
4．3　用于分類(lèi)的線(xiàn)性模型　29
4．4　大腦是如何工作的　30
4．5　線(xiàn)性模型為何普遍，為何成功　31
4．6　最小化平方誤差和　32
4．7　數值不穩定性和嶺回歸　34
第5章　廣義線(xiàn)性最小二乘法　37
5．1　擬合的優(yōu)劣和卡方分布　38
5．2　最小二乘法與最大似然估計　42
5．2．1　假設檢驗　42
5．2．2　交叉驗證　44
5．3　置信度的自助法　44
第6章　規則、決策樹(shù)和森林　50
6．1　構造決策樹(shù)　52
6．2　民主與決策森林　56
第7章　特征排序及選擇　59
7．1　特征選擇：情境　60
7．2　相關(guān)系數　62
7．3　相關(guān)比　63
7．4　卡方檢驗拒絕統計獨立性　64
7．5　熵和互信息　64
第8章　特定非線(xiàn)性模型　67
8．1　logistic 回歸　67
8．2　局部加權回歸　69
8．3　用LASSO來(lái)縮小系數和選擇輸入值　72
第9章　神經(jīng)網(wǎng)絡(luò )：多層感知器　76
9．1　多層感知器　78
9．2　通過(guò)反向傳播法學(xué)習　80
9．2．1　批量和bold driver反向傳播法　81
9．2．2　在線(xiàn)或隨機反向傳播　82
9．2．3　訓練多層感知器的高級優(yōu)化　83
第　10章 深度和卷積網(wǎng)絡(luò )　84
10．1　深度神經(jīng)網(wǎng)絡(luò )　85
10．1．1　自動(dòng)編碼器　86
10．1．2　隨機噪聲、屏蔽和課程　88
10．2　局部感受野和卷積網(wǎng)絡(luò )　89
第　11章 統計學(xué)習理論和支持向量機　94
11．1　經(jīng)驗風(fēng)險最小化　96
11．1．1　線(xiàn)性可分問(wèn)題　98
11．1．2　不可分問(wèn)題　100
11．1．3　非線(xiàn)性假設　100
11．1．4　用于回歸的支持向量　101
第　12章 最小二乘法和健壯內核機器　103
12．1　最小二乘支持向量機分類(lèi)器　104
12．2　健壯加權最小二乘支持向量機　106
12．3　通過(guò)修剪恢復稀疏　107
12．4　算法改進(jìn)：調諧QP、原始版本、無(wú)補償　108
第　13章 機器學(xué)習中的民主　110
13．1　堆疊和融合　111
13．2　實(shí)例操作帶來(lái)的多樣性：裝袋法和提升法　113
13．3　特征操作帶來(lái)的多樣性　114
13．4　輸出值操作帶來(lái)的多樣性：糾錯碼　115
13．5　訓練階段隨機性帶來(lái)的多樣性　115
13．6　加性logistic回歸　115
13．7　民主有助于準確率－拒絕的折中　118
第　14章 遞歸神經(jīng)網(wǎng)絡(luò )和儲備池計算　121
14．1　遞歸神經(jīng)網(wǎng)絡(luò )　122
14．2　能量極小化霍普菲爾德網(wǎng)絡(luò )　124
14．3　遞歸神經(jīng)網(wǎng)絡(luò )和時(shí)序反向傳播　126
14．4　遞歸神經(jīng)網(wǎng)絡(luò )儲備池學(xué)習　127
14．5　超限學(xué)習機　128
第二部分　無(wú)監督學(xué)習和聚類(lèi)
第　15章 自頂向下的聚類(lèi)：K均值　132
15．1　無(wú)監督學(xué)習的方法　134
15．2　聚類(lèi)：表示與度量　135
15．3　硬聚類(lèi)或軟聚類(lèi)的K均值方法　137
第　16章 自底向上（凝聚）聚類(lèi)　142
16．1　合并標準以及樹(shù)狀圖　142
16．2　適應點(diǎn)的分布距離：馬氏距離　144
16．3　附錄：聚類(lèi)的可視化　146
第　17章 自組織映射　149
17．1　將實(shí)體映射到原型的人工皮層　150
17．2　使用成熟的自組織映射進(jìn)行分類(lèi)　153
第　18章 通過(guò)線(xiàn)性變換降維（投影）　155
18．1　線(xiàn)性投影　156
18．2　主成分分析　158
18．3　加權主成分分析：結合坐標和關(guān)系　160
18．4　通過(guò)比值優(yōu)化進(jìn)行線(xiàn)性判別　161
18．5　費希爾線(xiàn)性判別分析　163
第　19章 通過(guò)非線(xiàn)性映射可視化圖與網(wǎng)絡(luò )　165
19．1　最小應力可視化　166
19．2　一維情況：譜圖繪制　168
19．3　復雜圖形分布標準　170
第　20章 半監督學(xué)習　174
20．1　用部分無(wú)監督數據進(jìn)行學(xué)習　175
20．1．1　低密度區域中的分離　177
20．1．2　基于圖的算法　177
20．1．3　學(xué)習度量　179
20．1．4　集成約束和度量學(xué)習　179
第三部分　優(yōu)化：力量之源
第　21章 自動(dòng)改進(jìn)的局部方法　184
21．1　優(yōu)化和學(xué)習　185
21．2　基于導數技術(shù)的一維情況　186
21．2．1　導數可以由割線(xiàn)近似　190
21．2．2　一維最小化　191
21．3　求解高維模型（二次正定型）　191
21．3．1　梯度與最速下降法　194
21．3．2　共軛梯度法　196
21．4　高維中的非線(xiàn)性?xún)?yōu)化　196
21．4．1　通過(guò)線(xiàn)性查找的全局收斂　197
21．4．2　解決不定黑塞矩陣　198
21．4．3　與模型信賴(lài)域方法的關(guān)系　199
21．4．4　割線(xiàn)法　200
21．4．5　縮小差距：二階方法與線(xiàn)性復雜度　201
21．5　不涉及導數的技術(shù)：反饋仿射振蕩器　202
21．5．1　RAS：抽樣區域的適應性　203
21．5．2　為健壯性和多樣化所做的重復　205
第　22章 局部搜索和反饋搜索優(yōu)化　211
22．1　基于擾動(dòng)的局部搜索　212
22．2　反饋搜索優(yōu)化：搜索時(shí)學(xué)習　215
22．3　基于禁忌的反饋搜索優(yōu)化　217
第　23章 合作反饋搜索優(yōu)化　222
23．1　局部搜索過(guò)程的智能協(xié)作　223
23．2　CoRSO：一個(gè)政治上的類(lèi)比　224
23．3　CoRSO的例子：RSO與RAS合作　226
第　24章 多目標反饋搜索優(yōu)化　232
24．1　多目標優(yōu)化和帕累托最優(yōu)　233
24．2　腦－計算機優(yōu)化：循環(huán)中的用戶(hù)　235
第四部分　應用精選
第　25章 文本和網(wǎng)頁(yè)挖掘　240
25．1　網(wǎng)頁(yè)信息檢索與組織　241
25．1．1　爬蟲(chóng)　241
25．1．2　索引　242
25．2　信息檢索與排名　244
25．2．1　從文檔到向量：向量－空間模型　245
25．2．2　相關(guān)反饋　247
25．2．3　更復雜的相似性度量　248
25．3　使用超鏈接來(lái)進(jìn)行網(wǎng)頁(yè)排名　250
25．4　確定中心和權威：HITS　254
25．5　聚類(lèi)　256
第　26章 協(xié)同過(guò)濾和推薦　257
26．1　通過(guò)相似用戶(hù)結合評分　258
26．2　基于矩陣分解的模型　260
參考文獻　263
索引　269