機器學習與人工智能：從理論到實踐（簡體書）

本書全面介紹了人工智能(AI)和機器學習(ML)的理論和應用。與僅僅從理論或實踐的角度來看待這個領域不同，本書將這兩個角度結合在了一起，給予全面的理解。第1部分介紹了人工智能和ML的概念以及它們的起源和現狀。第2和第3部分深入探討了靜態ML技術和動態ML技術的概念和理論方面。第4部分描述了所提出的技術可以應用的實際應用。第5部分向用戶介紹了解決現實ML問題的一些實現策略。

微軟公司總經理等多位重磅人士推薦，帶你全方位瞭解人工智能和機器學習技術的理論和應用

序
前言
致謝
第一部分　簡 介
第1章　人工智能和機器學習簡介 2
1.1　引言 2
1.2　什麼是人工智能 2
1.3　什麼是機器學習 3
1.4　本書的結構 3
1.4.1　簡介 4
1.4.2　機器學習 4
1.4.3　構建端到端管道 4
1.4.4　人工智能 4
1.4.5　實現 5
1.4.6　結語 5
第2章　人工智能和機器學習的基本概念 6
2.1　引言 6
2.2　大數據和非大數據 6
2.2.1　什麼是大數據 6
2.2.2　為什麼我們應該區別對待大數據 6
2.3　學習類型 7
2.3.1　監督學習 7
2.3.2　無監督學習 7
2.3.3　強化學習 8
2.4　基於時間的機器學習方法 8
2.4.1　靜態學習 8
2.4.2　動態學習 8
2.5　維數 8
2.6　線性和非線性 10
2.7　奧卡姆剃刀原理 12
2.8　“沒有免費的午餐”定理 14
2.9　收益遞減規律 14
2.10　機器學習的早期趨勢 14
2.11　小結 15
第3章　數據的理解、表示和可視化 16
3.1　引言 16
3.2　理解數據 16
3.2.1　理解實體 17
3.2.2　理解屬性 17
3.2.3　理解數據類型 18
3.3　數據的表示和可視化 19
3.3.1　主成分分析 19
3.3.2　線性判別分析 21
3.4　小結 22
第二部分　機 器 學 習
第4章　線性方法 26
4.1　引言 26
4.2　線性模型和廣義線性模型 27
4.3　線性回歸 27
4.3.1　定義問題 27
4.3.2　解決問題 27
4.4　正則化的線性回歸 28
4.4.1　正則化 28
4.4.2　嶺回歸 29
4.4.3　Lasso回歸 29
4.5　廣義線性模型 30
4.6　k最近鄰算法 30
4.6.1　KNN的定義 31
4.6.2　分類和回歸 32
4.6.3　KNN的其他變體 32
4.7　小結 32
第5章　感知器和神經網絡 34
5.1　引言 34
5.2　感知器 34
5.3　多層感知器或人工神經網絡 35
5.3.1　前饋操作 35
5.3.2　非線性多層感知器或非線性人工神經網絡 36
5.3.3　訓練多層感知器 36
5.3.4　隱藏層 38
5.4　徑向基函數網絡 38
5.5　過度擬合與正則化 40
5.5.1　L1和L2正則化 40
5.5.2　丟棄正則化 41
5.6　小結 41
第6章　決策樹 42
6.1　引言 42
6.2　為什麼使用決策樹 43
6.3　構建決策樹的算法 43
6.4　回歸樹 44
6.5　分類樹 45
6.6　決策指標 45
6.6.1　誤分類誤差 46
6.6.2　基尼指數 46
6.6.3　交叉熵或偏差 46
6.7　卡方自動交叉檢驗 47
6.8　訓練決策樹 47
6.9　集成決策樹 48
6.10　Bagging集成樹 48
6.11　隨機森林 49
6.12　Boosted集成樹 49
6.12.1　AdaBoost 50
6.12.2　梯度提升 50
6.13　小結 50
第7章　支持向量機 51
7.1　引言 51
7.2　動機和範圍 51
7.2.1　擴展到多元分類 51
7.2.2　非線性情況的擴展 53
7.3　支持向量機理論 53
7.4　可分離性和間隔 54
7.4.1　正則化和軟間隔SVM 54
7.4.2　鬆弛變量的使用 54
7.5　非線性與核函數的使用 55
7.5.1　徑向基函數 55
7.5.2　多項式函數 56
7.5.3　Sigmoid 56
7.6　風險最小化 56
7.7　小結 56
第8章　概率模型 57
8.1　引言 57
8.2　判別模型 58
8.2.1　最大似然估計 58
8.2.2　貝葉斯方法 58
8.2.3　最大似然估計和貝葉斯方法的比較 59
8.3　生成模型 61
8.3.1　混合方法 62
8.3.2　貝葉斯網絡 62
8.4　一些有用的概率分佈 62
8.4.1　正態分佈或高斯分佈 63
8.4.2　伯努利分佈 64
8.4.3　二項分佈 65
8.4.4　伽馬分佈 66
8.4.5　泊松分佈 67
8.5　小結 70
第9章　動態規劃和強化學習 71
9.1　引言 71
9.2　動態規劃的基本方程 71
9.3　動態規劃下的問題類別 72
9.4　強化學習 73
9.4.1　強化學習的特點 73
9.4.2　框架和算法 73
9.5　探索和開發 74
9.6　強化學習應用示例 75
9.7　強化學習理論 76
9.8　小結 77
第10章　演化算法 78
10.1　引言 78
10.2　傳統方法的瓶頸 78
10.3　達爾文的進化論 80
10.4　遺傳規劃 80
10.5　群體智能 82
10.6　蟻群優化 83
10.7　模擬退火 84
10.8　小結 84
第11章　時間序列模型 85
11.1　引言 85
11.2　平穩性 85
11.3　自回歸和移動平均模型 87
11.3.1　自回歸過程 87
11.3.2　移動平均過程 88
11.3.3　自回歸移動平均過程 88
11.4　差分自回歸移動平均模型 88
11.5　隱馬爾可夫模型 89
11.6　條件隨機場 91
11.7　小結 92
第12章　深度學習 93
12.1　引言 93
12.2　現代深度學習的起源 94
12.3　卷積神經網絡 95
12.3.1　一維卷積 95
12.3.2　二維卷積 95
12.3.3　CNN的架構 96
12.3.4　訓練CNN 98
12.4　循環神經網絡 98
12.4.1　RNN的局限性 99
12