圖解機器學習（簡體書）

本書用豐富的圖示，從最小二乘法出發，對基於最小二乘法實現的各種機器學習演算法進行了詳細的介紹。第Ⅰ部分介紹了機器學習領域的概況；第Ⅱ部分和第Ⅲ部分分別介紹了各種有監督的回歸演算法和分類演算法；第Ⅳ部分介紹了各種無監督學習演算法；第Ⅴ部分介紹了機器學習領域中的新興演算法。書中大部分演算法都有相應的MATLAB程式原始程式碼，可以用來進行簡單的測試。
本書適合所有對機器學習有興趣的初學者閱讀。

杉山將，1974年生於大阪。東京工業大學計算機工程學博士畢業，現為東京大學教授、日本國立信息學研究所客座教授。主要從事機器學習的理論研究和算法開發，以及在信號和圖像處理等方面的應用。 2011年獲日本信息處理學會長尾真紀念特別獎。著有《統計機器學習》、DensityRatioEstimationinMachineLearning等。同時也是PatternRecognitionandMachineLearning日文版的譯者之一。

許永偉，2009年赴東京大學攻讀博士學位，現於東京大學空間信息科學研究所從事博士後研究（特任研究員）。主要研究方向為模式識別與機器學習、圖像處理與計算機視覺，對數據挖掘、大數據和信息架構有濃厚興趣。

187張圖解輕鬆入門
提供可執行的Matlab程序代碼
覆蓋機器學習中實用、用途廣的算法
專業實用
東京大學教授、機器學習研究人員執筆，濃縮機器學習的關鍵知識點
圖文並茂
187張圖示幫助理解，詳略得當，為讀懂大部頭開路。
角度新穎
基於ZUI小二乘法講解各種有監督學習的回歸和分類算法，以及無監督學習算法。
實戰導向
配有可執行的MATLAB程序代碼，邊學習邊實踐。

機器學習領域是深不可測的嗎？人工智能是天方夜譚嗎？時至今日，機器學習研究的重要性與可行性已得到廣泛承認，並在模式識別、通信、控制、金融、機器人、生物信息學等許多領域都有著廣泛的應用。
如何自動歸類篩選郵件和網頁？如何向大家推薦你可能感興趣的人？如何預測整體市場行情的好壞？如何從統計學的角度對照片進行歸類？本書就介紹了這樣一些算法。
如果想得到最通俗、簡潔的講解，本書最為合適。
如果想立即知道算法的性能，並期望有可運行的源代碼，本書最為方便。
很多人都是看著日本的動畫長大的。殊不知，大部分日本人都具有熟練的繪畫能力。他們總可以把複雜、枯燥的事物用惟妙惟肖的漫畫生動地表達出來。廣告、網頁、海報，甚至政府公告都圖文並茂。市面上也有不計其數的“圖解……”“圖說……”一類的書籍。本書就是其中一例，這也是本書的最大特點。
杉山將博士今年赴任東京大學教授，他在機器學習領域頗有建樹。他的研究室吸引了來自世界各地的機器學習研究者。本書承襲了日本特有的繪畫特色，依靠作者豐富的機器學習經驗，用最精簡的文字，將原本複雜抽象的數學原理，用形象的漫畫與數據圖形進行了清晰的說明。作者也將最前沿和最核心的研究成果匯集到了本書之中。
本書的側重點不在於機器學習原理的相關推導，而在於結論的分析和應用。讀者朋友可以更快地掌握各種算法的特點和使用方法，提綱挈領地消化應用，而不必拘泥於算法的細節不能自拔。另外，本書旁徵博引，圖文並茂，結構清晰，範例實用豐富，深入淺出地說明了機器學習中最典型和用途最廣泛的算法。
本書內容覆蓋面廣，不但與市面上眾多的機器學習書籍並無重複，更可與其互為補充。大部分算法都有簡潔、現成的MATLAB源代碼，讀者朋友可以輕鬆地進行驗證。以此為原型，再稍加修改擴充，即可做出為自己所用的項目代碼。
機器學習領域日新月異，書中所涉及的概念和術語數目繁多，且有許多概念和術語目前尚無公認的中文譯法。如果有不合讀者朋友習慣的術語出現，請參考譯者註，確認其原始詞意。
本譯稿得到了圖靈公司編輯的悉心指導，她們為保證本書的質量做了大量的補譯、校正及編輯工作，在此表示深深的謝意。
許永偉
2014年12月於東京

目錄

第I部分　緒　論
第 1章　什麼是機器學習 2
1．1　學習的種類 2
1．2　機器學習任務的例子 4
1．3　機器學習的方法 8
第 2章　學習模型 12
2．1　線性模型 12
2．2　核模型 15
2．3　層級模型 17
第II部分　有監督回歸
第3章　**小二乘學習法 22
3．1　**小二乘學習法 22
3．2　**小二乘解的性質 25
3．3　大規模數據的學習算法 27
第4章帶有約束條件的**小二乘法 31
4．1　部分空間約束的**小二乘學習法 31
4．2　ｌ2 約束的**小二乘學習法 33
4．3　模型選擇 37
第5章　稀疏學習 43
5．1　ｌ1 約束的**小二乘學習法 43
5．2　ｌ1 約束的**小二乘學習的求解方法 45
5．3　通過稀疏學習進行特徵選擇 50
5．4　ｌp約束的**小二乘學習法 51
5．5　ｌ1+ｌ2 約束的**小二乘學習法 52
第6章　魯棒學習 55
6．1　ｌ1 損失**小化學習 56
6．2　Huber損失**小化學習 58
6．3　圖基損失**小化學習 63
6．4　ｌ1 約束的Huber損失**小化學習 65
第III部分　有監督分類
第7章　基於**小二乘法的分類 70
7．1　**小二乘分類 70
7．2　0/1 損失和間隔 73
7．3　多類別的情形 76
第8章　支持向量機分類 80
8．1　間隔**大化分類 80
8．2　支持向量機分類器的求解方法 83
8．3　稀疏性 86
8．4　使用核映射的非線性模型 88
8．5　使用Hinge損失**小化學習來解釋 90
8．6　使用Ramp損失的魯棒學習 93
第9章　集成分類 98
9．1　剪枝分類 98
9．2　Bagging學習法 101
9．3　Boosting 學習法 105
第 10章　概率分類法 112
10．1　Logistic回歸 112
10．2　**小二乘概率分類 116
第 11 章序列數據的分類 121
11．1　序列數據的模型化 122
11．2　條件隨機場模型的學習 125
11．3　利用條件隨機場模型對標籤序列進行預測 128
第IV部分　無監督學習
第 12章　異常檢測 132
12．1　局部異常因子 132
12．2　支持向量機異常檢測 135
12．3　基於密度比的異常檢測 137
第 13章　無監督降維 143
13．1　線性降維的原理 144
13．2　主成分分析 146
13．3　局部保持投影 148
13．4　核函數主成分分析 152
13．5　拉普拉斯特徵映射 155
第 14章　聚類 158
14．1　K均值聚類 158
14．2　核K均值聚類 160
14．3　譜聚類 161
14．4　調整參數的自動選取 163
第V部分　新興機器學習算法
第 15章　在線學習 170
15．1　被動攻擊學習 170
15．2　適應正則化學習 176
第 16章　半監督學習 181
16．1　靈活應用輸入數據的流形構造 182
16．2　拉普拉斯正則化**小二乘學習的求解方法 183
16．3　拉普拉斯正則化的解釋 186
第 17章　監督降維 188
17．1　與分類問題相對應的判別分析 188
17．2　充分降維 195
第 18章　遷移學習 197
18．1　協變量移位下的遷移學習 197
18．2　類別平衡變化下的遷移學習 204
第 19章　多任務學習 212
19．1　使用**小二乘回歸的多任務學習 212
19．2　使用**小二乘概率分類器的多任務學習 215
19．3　多次維輸出函數的學習 216
第VI部分　結 語
第 20章　總結與展望 222
參考文獻 225