可以朗读
语音朗读
220千字
字数
2023-09-01
发行日期
展开全部
主编推荐语
机器学习统计分析，以统计思维推动模型实现。
内容简介
本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。具体模型包括线性回归模型、K近邻模型、贝叶斯推断、逻辑回归模型、决策树模型、感知机模型、支持向量机、EM算法和提升方法。
目录
- 版权信息
- 内容简介
- 作者简介
- 前言
- 符号说明
- 绪论
- 0.1 本书讲什么，初衷是什么
- 0.2 贯穿本书的两大思维模式
- 0.2.1 提问的思维方式
- 0.2.2 发散的思维方式
- 0.3 这本书决定它还想要这样
- 0.3.1 第一性原理
- 0.3.2 奥卡姆剃刀原理
- 0.4 如何使用本书
- 第1章 步入监督学习之旅
- 1.1 机器学习从数据开始
- 1.2 监督学习是什么
- 1.2.1 基本术语
- 1.2.2 学习过程如同一场科学推理
- 1.3 如何评价模型的好坏
- 1.3.1 评价模型的量化指标
- 1.3.2 拟合能力
- 1.3.3 泛化能力
- 1.4 损失最小化思想
- 1.5 怎样理解模型的性能：方差-偏差折中思想
- 1.6 如何选择最优模型
- 1.6.1 正则化：对模型复杂程度加以惩罚
- 1.6.2 交叉验证：样本的多次重复利用
- 1.7 本章小结
- 1.8 习题
- 第2章 线性回归模型
- 2.1 探寻线性回归模型
- 2.1.1 诺贝尔奖中的线性回归模型
- 2.1.2 回归模型的诞生
- 2.1.3 线性回归模型结构
- 2.2 最小二乘法
- 2.2.1 回归模型用哪种损失：平方损失
- 2.2.2 如何估计模型参数：最小二乘法
- 2.3 线性回归模型的预测
- 2.3.1 一元线性回归模型的预测
- 2.3.2 多元线性回归模型的预测
- 2.4 拓展部分：岭回归与套索回归
- 2.4.1 岭回归
- 2.4.2 套索回归
- 2.5 案例分析——共享单车数据集
- 2.6 本章小结
- 2.7 习题
- 第3章 K近邻模型
- 3.1 邻友思想
- 3.2 K近邻算法
- 3.2.1 聚合思想
- 3.2.2 K近邻模型的具体算法
- 3.2.3 K近邻算法的三要素
- 3.2.4 K近邻算法的可视化
- 3.3 最近邻分类器的误差率
- 3.4 k维树
- 3.4.1 k维树的构建
- 3.4.2 k维树的搜索
- 3.5 拓展部分：距离度量学习的K近邻分类器
- 3.6 案例分析——鸢尾花数据集
- 3.7 本章小结
- 3.8 习题
- 第4章 贝叶斯推断
- 4.1 贝叶斯思想
- 4.1.1 什么是概率
- 4.1.2 从概率到条件概率
- 4.1.3 贝叶斯定理
- 4.2 贝叶斯分类器
- 4.2.1 贝叶斯分类
- 4.2.2 朴素贝叶斯分类
- 4.3 如何训练贝叶斯分类器
- 4.3.1 极大似然估计：概率最大化思想
- 4.3.2 贝叶斯估计：贝叶斯思想
- 4.4 常用的朴素贝叶斯分类器
- 4.4.1 离散属性变量下的朴素贝叶斯分类器
- 4.4.2 连续特征变量下的朴素贝叶斯分类器
- 4.5 拓展部分
- 4.5.1 半朴素贝叶斯
- 4.5.2 贝叶斯网络
- 4.6 案例分析——蘑菇数据集
- 4.7 本章小结
- 4.8 习题
- 4.9 阅读时间：贝叶斯思想的起源
- 第5章 逻辑回归模型
- 5.1 一切始于逻辑函数
- 5.1.1 逻辑函数
- 5.1.2 逻辑斯谛分布
- 5.1.3 逻辑回归
- 5.2 逻辑回归模型的学习
- 5.2.1 加权最小二乘法
- 5.2.2 极大似然法
- 5.3 逻辑回归模型的学习算法
- 5.3.1 梯度下降法
- 5.3.2 牛顿法
- 5.4 拓展部分
- 5.4.1 拓展1：多分类逻辑回归模型
- 5.4.2 拓展2：非线性逻辑回归模型
- 5.5 案例分析——离职数据集
- 5.6 本章小结
- 5.7 习题
- 5.8 阅读时间：牛顿法是牛顿提出的吗
- 第6章 最大熵模型
- 6.1 问世间熵为何物
- 6.1.1 热力学熵
- 6.1.2 信息熵
- 6.2 最大熵思想
- 6.2.1 离散随机变量的分布
- 6.2.2 连续随机变量的分布
- 6.3 最大熵模型的学习问题
- 6.3.1 最大熵模型的定义
- 6.3.2 最大熵模型的原始问题与对偶问题
- 6.3.3 最大熵模型的学习
- 6.4 模型学习的最优化算法
- 6.4.1 最速梯度下降法
- 6.4.2 拟牛顿法：DFP算法和BFGS算法
- 6.4.3 改进的迭代尺度法
- 6.5 案例分析——汤圆小例子
- 6.6 本章小结
- 6.7 习题
- 6.8 阅读时间：奇妙的对数
- 第7章 决策树模型
- 7.1 决策树中蕴含的基本思想
- 7.1.1 什么是决策树
- 7.1.2 决策树的基本思想
- 7.2 决策树的特征选择
- 7.2.1 错分类误差
- 7.2.2 基于熵的信息增益和信息增益比
- 7.2.3 基尼不纯度
- 7.2.4 比较错分类误差、信息熵和基尼不纯度
- 7.3 决策树的生成算法
- 7.3.1 ID3算法
- 7.3.2 C4.5算法
- 7.3.3 CART算法
- 7.4 决策树的剪枝过程
- 7.4.1 预剪枝
- 7.4.2 后剪枝
- 7.5 拓展部分：随机森林
- 7.6 案例分析——帕尔默企鹅数据集
- 7.7 本章小结
- 7.8 习题
- 7.9 阅读时间：经济学中的基尼指数
- 第8章 感知机模型
- 8.1 感知机制——从逻辑回归到感知机
- 8.2 感知机的学习
- 8.3 感知机的优化算法
- 8.3.1 原始形式算法
- 8.3.2 对偶形式算法
- 8.4 案例分析——鸢尾花数据集
- 8.5 本章小结
- 8.6 习题
- 第9章 支持向量机
- 9.1 从感知机到支持向量机
- 9.2 线性可分支持向量机
- 9.2.1 线性可分支持向量机与最大间隔算法
- 9.2.2 对偶问题与硬间隔算法
- 9.3 线性支持向量机
- 9.3.1 线性支持向量机的学习问题
- 9.3.2 对偶问题与软间隔算法
- 9.3.3 线性支持向量机之合页损失
- 9.4 非线性支持向量机
- 9.4.1 核变换的根本——核函数
- 9.4.2 非线性可分支持向量机
- 9.4.3 非线性支持向量机
- 9.5 SMO优化方法
- 9.5.1 “失败的”坐标下降法
- 9.5.2 “成功的”SMO算法
- 9.6 案例分析——电离层数据集
- 9.7 本章小结
- 9.8 习题
- 第10章 EM算法
- 10.1 极大似然法与EM算法
- 10.1.1 具有缺失数据的豆花小例子
- 10.1.2 具有隐变量的硬币盲盒例子
- 10.2 EM算法的迭代过程
- 10.2.1 EM算法中的两部曲
- 10.2.2 EM算法的合理性
- 10.3 EM算法的应用
- 10.3.1 高斯混合模型
- 10.3.2 隐马尔可夫模型
- 10.4 本章小结
- 10.5 习题
- 第11章 提升方法
- 11.1 提升方法（Boosting）是一种集成学习方法
- 11.1.1 什么是集成学习
- 11.1.2 强可学习与弱可学习
- 11.2 起步于AdaBoost算法
- 11.2.1 两大内核：前向回归和可加模型
- 11.2.2 AdaBoost的前向分步算法
- 11.2.3 AdaBoost分类算法
- 11.2.4 AdaBoost分类算法的训练误差
- 11.3 提升树和GBDT算法
- 11.3.1 回归提升树
- 11.3.2 GDBT算法
- 11.4 拓展部分：XGBoost算法
- 11.5 案例分析——波士顿房价数据集
- 11.6 本章小结
- 11.7 习题
- 参考文献
- 机器学习中的统计思维（Python 实现）小册子
- 第1章 微积分小工具
- 1.1 凸函数与凹函数
- 1.2 几个重要的不等式
- 1.3 常见的求导公式与求导法则
- 1.4 泰勒公式
- 1.5 费马原理
- 第2章 线性代数小工具
- 2.1 几类特殊的矩阵
- 2.2 矩阵的基本运算
- 2.3 二次型的矩阵表示
- 第3章 概率统计小工具
- 3.1 随机变量
- 3.2 概率分布
- 3.3 数学期望和方差
- 3.4 常用的几种分布
- 3.5 小技巧——从二项分布到正态分布的连续修正
- 第4章 优化小工具
- 4.1 梯度下降法
- 4.2 牛顿法
- 4.3 拟牛顿法
- 4.4 坐标下降法
- 4.5 拉格朗日对偶思想
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
清华大学出版社
清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。
