相關商品
商品簡介
作者簡介
名人/編輯推薦
目次
商品簡介
集成學習方法是一類先進的機器學習方法，這類方法訓練多個學習器並將它們結合起來解決一個問題，在實踐中獲得了巨大成功。全書分為三部分。第一部分主要介紹集成學習的背景知識；第二部分主要介紹集成學習方法的核心知識，包括Boosting、Bagging、Random Forests等經典算法，平均、投票和Stacking等模型和方法、相關理論分析工作，以及多樣性度量和增強方面的進展。第三部分介紹集成學習方法的進階議題，包括集成修剪、聚類集成和集成學習方法在半監督學習、主動學習、代價敏感學習、類別不平衡學習，以及提升可理解性方面的進展。此外，本書還在每章中的“拓展閱讀”部分提供了相關的進階內容。本書適合對集成學習方法感興趣的研究人員、學生和實踐者閱讀。
作者簡介
周志華，教授、南京大學計算機系主任、人工智能學院院長、校學術委員會委員。
歐洲科學院外籍院士，首位在人工智能相關五大主流國際學會ACM、AAAI、AAAS、IEEE、IAPR均當選為會士的華人學者。
中國計算機學會、中國人工智能學會會士。
曾獲IEEE計算機學會Edward J. McCluskey技術成就獎、CCF王選獎等。
歐洲科學院外籍院士，首位在人工智能相關五大主流國際學會ACM、AAAI、AAAS、IEEE、IAPR均當選為會士的華人學者。
中國計算機學會、中國人工智能學會會士。
曾獲IEEE計算機學會Edward J. McCluskey技術成就獎、CCF王選獎等。
名人/編輯推薦
志華教授專著。國內獨本剖析集成學習的著作。
《集成學習：基礎與算法》是目前國內獨本系統性闡述集成學習的著作。
集成學習的思路是通過結合多個學習器來解決問題，它在實踐中大獲成功――人稱“從業者應學應會的大殺器”之一。
化繁為簡：將複雜的原理簡化為易於理解的表達，通俗易懂；結構合理：兼具廣度與深度。既闡述該領域的重要話題，又詳釋了重要算法的實現並輔以偽代碼，更易上手；注重實踐：闡述集成學習在多個領域的應用，如計算機視覺、醫療、信息安全和數據挖掘競賽等；拓展閱讀：提供豐富的參考資料，讀者可按圖索驥、自行深入學習；新手通過本書很容易理解並掌握集成學習的思路與精粹；老手通過本書能學會不少技巧並深化對集成學習的理論理解，更好地指導研究和實踐。
《集成學習：基礎與算法》是目前國內獨本系統性闡述集成學習的著作。
集成學習的思路是通過結合多個學習器來解決問題，它在實踐中大獲成功――人稱“從業者應學應會的大殺器”之一。
化繁為簡：將複雜的原理簡化為易於理解的表達，通俗易懂；結構合理：兼具廣度與深度。既闡述該領域的重要話題，又詳釋了重要算法的實現並輔以偽代碼，更易上手；注重實踐：闡述集成學習在多個領域的應用，如計算機視覺、醫療、信息安全和數據挖掘競賽等；拓展閱讀：提供豐富的參考資料，讀者可按圖索驥、自行深入學習；新手通過本書很容易理解並掌握集成學習的思路與精粹；老手通過本書能學會不少技巧並深化對集成學習的理論理解，更好地指導研究和實踐。
目次
第1章 緒 論 1
1.1 基本概念 1
1.2 常用學習算法 3
1.2.1 線性判別分析 3
1.2.2 決策樹 4
1.2.3 神經網絡 6
1.2.4 樸素貝葉斯 8
1.2.5 k-近鄰 9
1.2.6 支持向量機和核方法 9
1.3 評估和對比 12
1.4 集成學習方法 14
1.5 集成學習方法的應用 16
1.6 拓展閱讀 19
第2章Boosting 21
2.1 Boosting 過程 21
2.2 AdaBoost 算法 22
2.3 說明性舉例 26
2.4 理論探討 29
2.4.1 基本分析 29
2.4.2 間隔解釋 30
2.4.3 統計視角 32
2.5 多分類問題 35
2.6 容噪能力 37
2.7 拓展閱讀 40
第3章Bagging 43
3.1 兩種集成範式 43
3.2 Bagging 算法 44
3.3 說明性舉例 45
3.4 理論探討 48
3.5 隨機樹集成 52
3.5.1 隨機森林 52
3.5.2 隨機化譜 55
3.5.3 隨機森林用於密度估計 56
3.5.4 隨機森林用於異常檢測 58
3.6 拓展閱讀 60
第4章結合方法 61
4.1 結合帶來的益處 61
4.2 均值法 62
4.2.1 簡單平均法 62
4.2.2 加權平均法 63
4.3 投票法 65
4.3.1 絕對多數投票法 65
4.3.2 相對多數投票法 66
4.3.3 加權投票法 67
4.3.4 軟投票法 68
4.3.5 理論探討 70
4.4 學習結合法 76
4.4.1 Stacking 76
4.4.2 無限集成 78
4.5 其他結合方法 79
4.5.1 代數法 80
4.5.2 行為知識空間法 81
4.5.3 決策模板法81
4.6 相關方法 82
4.6.1 糾錯輸出編碼法 82
4.6.2 動態分類器選擇法 85
4.6.3 混合專家模型 86
4.7 拓展閱讀 87
第5章多樣性 91
5.1 集成多樣性 91
5.2 誤差分解 92
5.2.1 誤差-分歧分解 92
5.2.2 偏差-方差-協方差分解 94
5.3 多樣性度量 96
5.3.1 成對度量 96
5.3.2 非成對度量 97
5.3.3 小結和可視化 100
5.3.4 多樣性度量的局限 101
5.4 信息論多樣性 102
5.4.1 信息論和集成 102
5.4.2 交互信息多樣性 103
5.4.3 多信息多樣性 104
5.4.4 估計方法 105
5.5 多樣性增強 106
5.6 拓展閱讀 108
第6章集成修剪 109
6.1 何謂集成修剪 109
6.2 多比全好 110
6.3 修剪方法分類 113
6.4 基於排序的修剪 114
6.5 基於聚類的修剪 117
6.6 基於優化的修剪 117
6.6.1 啟發式優化修剪 118
6.6.2 數學規劃修剪 118
6.6.3 概率修剪 121
6.7 拓展閱讀 122
第7章聚類集成 125
7.1 聚類 125
7.1.1 聚類方法 125
7.1.2 聚類評估 127
7.1.3 為什麼要做聚類集成 129
7.2 聚類集成方法分類 130
7.3 基於相似度的方法 132
7.4 基於圖的方法 133
7.5 基於重標記的方法 136
7.6 基於變換的方法 140
7.7 拓展閱讀 143
第8章進階議題 145
8.1 半監督學習 145
8.1.1 未標記數據的效用 145
8.1.2 半監督學習的集成學習方法 146
8.2 主動學習 151
8.2.1人為介入的效用 151
8.2.2 基於集成的主動學習 152
8.3 代價敏感學習 153
8.3.1 不均等代價下的學習 153
8.3.2 代價敏感學習的集成方法 154
8.4 類別不平衡學習 158
8.4.1 類別不平衡 158
8.4.2 類別不平衡學習的性能評估 160
8.4.3 類別不平衡學習的集成方法 163
8.5 提升可解釋性 166
8.5.1 集成約簡 166
8.5.2 規則抽取 167
8.5.3 可視化 168
8.6 未來的研究方向 169
8.7 拓展閱讀 171
參考文獻 173
索引 203
1.1 基本概念 1
1.2 常用學習算法 3
1.2.1 線性判別分析 3
1.2.2 決策樹 4
1.2.3 神經網絡 6
1.2.4 樸素貝葉斯 8
1.2.5 k-近鄰 9
1.2.6 支持向量機和核方法 9
1.3 評估和對比 12
1.4 集成學習方法 14
1.5 集成學習方法的應用 16
1.6 拓展閱讀 19
第2章Boosting 21
2.1 Boosting 過程 21
2.2 AdaBoost 算法 22
2.3 說明性舉例 26
2.4 理論探討 29
2.4.1 基本分析 29
2.4.2 間隔解釋 30
2.4.3 統計視角 32
2.5 多分類問題 35
2.6 容噪能力 37
2.7 拓展閱讀 40
第3章Bagging 43
3.1 兩種集成範式 43
3.2 Bagging 算法 44
3.3 說明性舉例 45
3.4 理論探討 48
3.5 隨機樹集成 52
3.5.1 隨機森林 52
3.5.2 隨機化譜 55
3.5.3 隨機森林用於密度估計 56
3.5.4 隨機森林用於異常檢測 58
3.6 拓展閱讀 60
第4章結合方法 61
4.1 結合帶來的益處 61
4.2 均值法 62
4.2.1 簡單平均法 62
4.2.2 加權平均法 63
4.3 投票法 65
4.3.1 絕對多數投票法 65
4.3.2 相對多數投票法 66
4.3.3 加權投票法 67
4.3.4 軟投票法 68
4.3.5 理論探討 70
4.4 學習結合法 76
4.4.1 Stacking 76
4.4.2 無限集成 78
4.5 其他結合方法 79
4.5.1 代數法 80
4.5.2 行為知識空間法 81
4.5.3 決策模板法81
4.6 相關方法 82
4.6.1 糾錯輸出編碼法 82
4.6.2 動態分類器選擇法 85
4.6.3 混合專家模型 86
4.7 拓展閱讀 87
第5章多樣性 91
5.1 集成多樣性 91
5.2 誤差分解 92
5.2.1 誤差-分歧分解 92
5.2.2 偏差-方差-協方差分解 94
5.3 多樣性度量 96
5.3.1 成對度量 96
5.3.2 非成對度量 97
5.3.3 小結和可視化 100
5.3.4 多樣性度量的局限 101
5.4 信息論多樣性 102
5.4.1 信息論和集成 102
5.4.2 交互信息多樣性 103
5.4.3 多信息多樣性 104
5.4.4 估計方法 105
5.5 多樣性增強 106
5.6 拓展閱讀 108
第6章集成修剪 109
6.1 何謂集成修剪 109
6.2 多比全好 110
6.3 修剪方法分類 113
6.4 基於排序的修剪 114
6.5 基於聚類的修剪 117
6.6 基於優化的修剪 117
6.6.1 啟發式優化修剪 118
6.6.2 數學規劃修剪 118
6.6.3 概率修剪 121
6.7 拓展閱讀 122
第7章聚類集成 125
7.1 聚類 125
7.1.1 聚類方法 125
7.1.2 聚類評估 127
7.1.3 為什麼要做聚類集成 129
7.2 聚類集成方法分類 130
7.3 基於相似度的方法 132
7.4 基於圖的方法 133
7.5 基於重標記的方法 136
7.6 基於變換的方法 140
7.7 拓展閱讀 143
第8章進階議題 145
8.1 半監督學習 145
8.1.1 未標記數據的效用 145
8.1.2 半監督學習的集成學習方法 146
8.2 主動學習 151
8.2.1人為介入的效用 151
8.2.2 基於集成的主動學習 152
8.3 代價敏感學習 153
8.3.1 不均等代價下的學習 153
8.3.2 代價敏感學習的集成方法 154
8.4 類別不平衡學習 158
8.4.1 類別不平衡 158
8.4.2 類別不平衡學習的性能評估 160
8.4.3 類別不平衡學習的集成方法 163
8.5 提升可解釋性 166
8.5.1 集成約簡 166
8.5.2 規則抽取 167
8.5.3 可視化 168
8.6 未來的研究方向 169
8.7 拓展閱讀 171
參考文獻 173
索引 203
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。