概率机器学习(基础篇)(精装版)电子书

对本书的赞誉

译者序

前言

目录

第1章 导论

1.1 什么是机器学习

1.2 监督学习

1.2.1 分类

1.2.2 回归

1.2.3 过拟合和泛化

1.2.4 “没有免费的午餐”定理

1.3 无监督学习

1.3.1 聚类

1.3.2 发现潜在的“变异因子”

1.3.3 自监督学习

1.3.4 评估无监督学习

1.4 强化学习

1.5 数据

1.5.1 常见的图像数据集

1.5.2 常见的文本数据集

1.5.3 离散输入数据的预处理

1.5.4 预处理文本数据

1.5.5 处理缺失数据

1.6 进一步讨论

1.6.1 机器学习与其他领域的关系

1.6.2 本书的组织结构

1.6.3 注意事项

PART 1 第一部分 理论基础

第2章 概率：单变量模型

2.1 概述

2.2 随机变量

2.3 贝叶斯规则

2.4 伯努利分布和二项分布

2.5 分类分布和多项式分布

2.6 单变量高斯分布

2.7 其他常见的单变量分布*

2.8 随机变量的变换*

2.9 练习题

第3章 概率：多元模型

3.1 多个随机变量的联合分布

3.2 多元高斯分布

3.3 线性高斯系统*

3.4 指数概率分布族*

3.5 混合模型

3.6 概率图模型*

3.7 练习题

第4章 统计学

4.1 概述

4.2 最大似然估计

4.3 经验风险最小化

4.4 其他估计方法*

4.5 正则化

4.6 贝叶斯统计学*

4.7 频率学派统计学*

4.8 练习题

第5章 决策理论

5.1 贝叶斯决策理论

5.2 贝叶斯假设检验

5.3 频率学派决策理论

5.4 经验风险最小化

5.5 频率学派假设检验*

5.6 练习题

第6章 信息论

6.1 熵

6.2 相对熵*

6.3 互信息*

6.4 练习题

第7章 线性代数

7.1 概述

7.2 矩阵乘法

7.3 矩阵求逆

7.4 特征值分解

7.5 奇异值分解

7.6 其他矩阵分解*

7.7 求解线性方程组*

7.8 矩阵微积分

7.9 练习题

第8章 优化理论

8.1 概述

8.2 一阶方法

8.3 二阶方法

8.4 随机梯度下降

8.5 约束优化

8.6 近端梯度法*

8.7 边界优化*

8.8 黑盒和无梯度优化

8.9 练习题

PART 2 第二部分 线性模型

第9章 线性判别分析

9.1 概述

9.2 高斯判别分析

9.3 朴素贝叶斯分类器

9.4 生成式分类器与判别式分类器的比较

9.5 练习题

第10章 逻辑回归

10.1 概述

10.2 二元逻辑回归

10.3 多项式逻辑回归

10.4 鲁棒逻辑回归*

10.5 贝叶斯逻辑回归*

10.6 练习题

第11章 线性回归

11.1 概述

11.2 最小二乘线性回归

11.3 岭回归

11.4 套索回归

11.5 回归样条法*

11.6 鲁棒线性回归*

11.7 贝叶斯线性回归*

11.8 练习题

第12章 广义线性模型*

12.1 概述

12.2 示例

12.3 具有非规范链接函数的广义线性模型

12.4 最大似然估计

12.5 示例：预测保险理赔

PART 3 第三部分 深度神经网络

第13章 结构化数据的神经网络

13.1 概述

13.2 多层感知器

13.3 反向传播

13.4 训练神经网络

13.5 正则化

13.6 其他类型的前馈网络*

13.7 练习题

第14章 用于图像处理的神经网络

14.1 概述

14.2 普通层

14.3 图像分类的通用架构

14.4 其他形式的卷积*

14.5 使用卷积神经网络解决其他判别式视觉任务*

14.6 通过反转卷积神经网络生成图像*

第15章 用于序列处理的神经网络

15.1 概述

15.2 循环神经网络

15.3 一维卷积神经网络

15.4 注意力

15.5 Transformer

15.6 高效Transformer*

15.7 语言模型和无监督表示学习

PART 4 第四部分 非参数化模型

第16章 基于样例的方法

16.1 K-最近邻分类

16.2 学习距离度量

16.3 核密度估计

第17章 核方法*

17.1 Mercer核

17.2 高斯过程

17.3 支持向量机

17.4 稀疏向量机

17.5 练习题

第18章 树、森林、装袋法和提升法

18.1 分类和回归树

18.2 集成学习

18.3 装袋法

18.4 随机森林

18.5 提升法

18.6 树集成的解释

PART 5 第五部分 其他的机器学习方法

第19章 基于少量标记样例的学习

19.1 数据增强

19.2 迁移学习

19.3 半监督学习

19.4 主动学习

19.5 元学习

19.6 少量样本学习

19.7 弱监督学习

19.8 练习题

第20章 数据降维

20.1 主成分分析

20.2 因子分析*

20.3 自动编码器

20.4 流形学习*

20.5 词嵌入

20.6 练习题

第21章 聚类

21.1 概述

21.2 层次聚合聚类

21.3 K-均值聚类

21.4 使用混合模型进行聚类

21.5 谱聚类*

21.6 双聚类*

第22章 推荐系统

22.1 明确反馈

22.2 隐式反馈

22.3 利用辅助信息

22.4 “探索-利用”权衡

第23章 图嵌入*

23.1 概述

23.2 图嵌入作为编码器/解码器问题

23.3 浅层图嵌入

23.4 图神经网络

23.5 深度图嵌入

23.6 应用

附录 符号对照表

A.1 概述

A.2 常用的数学符号

A.3 函数

A.3.1 常用的单自变量函数

A.3.2 常用的双自变量函数

A.3.3 常用的两个以上自变量函数

A.4 线性代数

A.4.1 通用符号

A.4.2 向量

A.4.3 矩阵

A.4.4 矩阵演算

A.5 优化

A.6 概率

A.7 信息论

A.8 统计学和机器学习

A.8.1 监督学习

A.8.2 无监督学习和生成式模型

A.8.3 贝叶斯推理

A.9 缩写对照表

参考文献