機器學習入門基礎(微課版)（簡體書）

機器學習專門研究計算機怎樣模擬或實現人類的學習行為，它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。本書是一本機器學習的入門書，通過本書，學習者將初步理解主流的機器學習算法，並且可以用機器學習技術解決現實生活中的問題。只要有本科三年級以上的數學知識，會一種編程語言，就可以掌握本書的絕大部分內容。 本書共有15章，主要講解經典的機器學習算法，如線性回歸、邏輯回歸、決策樹等，同時講解近幾年才出現的算法，如XGBoost、LightGBM等集成學習算法。此外，本書還會講解利用機器學習解決問題的實用技術，如Python、Scikitlearn工具的使用等。 本書配套有教學大綱、教學進度、教學課件、教學視頻及習題，可以作為專科生、本科生、研究生的機器學習教材，也可以作為從事機器學習、數據挖掘相關工作的研究人員和技術人員的參考書。

l 本書內容全面豐富，通過本書，學習者將初步理解主流的機器學習算法，並且可以用機器學習技術解決現實生活中的問題。
l 內容編排和講解圍繞培養初學者入門機器學習，具有大量的案例和圖解來講解知識點及其應用，並給出詳細分析和討論。
l 本書配套的視頻資源已經在中國大學慕課開放，首輪開課就達到1.1萬人學習。
l 本書提供了教學大綱、教學進度、教學課件，並提供習題解答，同時提供了練習代碼，可作為本科生、碩士生的教材，也可以作為專科生實踐課教材。

機器學習(machine learning)是研究計算機怎樣模擬或實現人類的學習行為的一門學科，以獲取新的知識或技能，重新組織已有的知識結構，使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。
作為計算機系統結構專業的博士，本人一直致力於幫助機器學習初學者入門，主持和參與了很多國內外優秀作品的翻譯、代碼復現工作。比較有代表性的是吳恩達老師的機器學習課程的翻譯工作及機器學習和深度學習筆記的撰寫。
博士畢業後，本人成為一名大學教師，同時承擔了本科生和研究生機器學習課程的教學工作。在教學過程中，本人學習和借鑒了國內外很多非常優秀的機器學習課程或作品(如吳恩達老師的機器學習課程、李航老師的《統計學習方法》、周志華老師的《機器學習》等)。站在巨人的肩膀上，本人決定寫一本適合本科生和初學者的機器學習入門書。
本書初稿於2021年3月完成，並根據初稿的內容進行授課。經過3輪授課，本團隊對其中的部分內容進行了調整，使其更適合初學者學習。同時，根據本書的內容，製作了慕課，通過中國大學慕課向讀者開放，第一輪學習者超過1.1萬人，屬於比較熱門的課程。
本書的課件和代碼，已經分享在Github。同時，原版課件分享給了國內700多位大學教師，也收到了很多寶貴的意見。
本書定位為入門基礎課，通過本書，學習者將初步理解主流的機器學習算法，並且可以用機器學習技術解決現實生活中的問題。
本書對初學者來說，屬於“雪中送炭”，而不是“錦上添花”，更適合初學者學習，主要解決初學者的三個問題:
(1) 資料太多，難以取舍。
(2) 理論性強，初學比較困難。
(3) 代碼資料比較少。
本書共有15章，本書結構大體分為監督學習和無監督學習兩部分。監督學習部分介紹了多種常見的機器學習算法，如k近鄰法(knearest neighbor,KNN)、線性回歸、支持向量機(support vector machine,SVM)、神經網絡、樸素貝葉斯、邏輯回歸、集成學習等分類算法和回歸算法。無監督學習部分則聚焦於聚類、降維、關聯規則等幾大問題，並對Kmeans、主成分分析(principal component analysis,PCA)等代表算法進行了介紹，還對關聯規則的主要算法進行講解。此外，本書的第2章為選修內容，講解學習機器學習需要掌握的基本數學知識。
本書可以作為專科生、本科生、研究生的教材。作為本科生的教材時，第2章數學基礎回顧和第11章人工神經網絡可以作為選修部分，建議課時: 理論課32課時，實驗課16～32課時。作為專科生的教材時，建議配合代碼進行課程講解，增加實驗部分課時，減少理論部分課時，建議課時: 理論課32課時，實驗課32課時。作為研究生的教材時，建議課時為36課時，實驗部分建議自學。
本書的課件和教案，可以分享給在職的教師，若有需要可在公眾號“機器學習初學者”留言。
在本書的編寫過程中，得到了很多人的支持和幫助，如李航老師和徐亦達老師，他們對本人的工作十分支持，在此表示感謝！
本人水平有限，如有公式、算法錯誤，歡迎各位讀者批評指正。

黃海廣2023年1月7日

第1章引言1
1.1機器學習概述1
1.2機器學習發展史2
1.3機器學習的類型5
1.3.1監督學習5
1.3.2無監督學習7
1.3.3強化學習8
1.4機器學習的主要概念9
1.4.1模型9
1.4.2損失函數9
1.4.3優化算法10
1.4.4模型評估10
1.5機器學習的背景知識11
1.5.1數學基礎11
1.5.2編程基礎11
1.6機器學習的開發流程12
1.7本書概述13
1.7.1本書結構13
1.7.2學習路線14
習題14
參考文獻16
第2章數學基礎回顧(選修)17
2.1數學基礎的必要性17
2.1.1數學基礎概述17
2.1.2符號定義17
2.2高等數學18
2.2.1導數的定義18〖3〗機器學習入門基礎（微課版）目錄〖3〗2.2.2左右導數的幾何意義和物理意義18
2.2.3函數的可導性與連續性之間的關係19
2.2.4平面曲線的切線和法線19
2.2.5四則運算法則19
2.2.6基本導數與微分表19
2.2.7復合函數、反函數、隱函數及參數方程所確定的函數的微分法20
2.2.8常用高階導數公式20
2.2.9微分中值定理21
2.2.10泰勒公式21
2.2.11函數單調性的判斷22
2.2.12函數凹凸性的判斷23
2.3線性代數23
2.3.1基本概念23
2.3.2矩陣乘法24
2.3.3向量向量乘法25
2.3.4矩陣向量乘法25
2.3.5矩陣矩陣乘法26
2.3.6單位矩陣和對角矩陣27
2.3.7矩陣的轉置28
2.3.8對稱矩陣28
2.3.9矩陣的跡28
2.3.10矩陣求導常見公式29
2.3.11範數29
2.3.12線性相關性和秩30
2.3.13方陣的逆31
2.3.14正交陣31
2.3.15行列式31
2.3.16二次型和半正定矩陣32
2.3.17特徵值和特徵向量33
2.4概率論與數理統計34
2.4.1概率的基本要素34
2.4.2條件概率和獨立性35
2.4.3隨機變量35
2.4.4累積分布函數36
2.4.5概率質量函數37
2.4.6概率密度函數37
2.4.7期望38
2.4.8方差38
2.4.9一些常見的隨機變量39
2.4.10聯合分布和邊緣分布41
2.4.11條件概率分布41
2.4.12貝葉斯定理41
2.4.13獨立性42
2.4.14期望和協方差42
2.4.15KL散度43
2.5優化理論43
2.5.1梯度下降法43
2.5.2牛頓法44
2.5.3拉格朗日乘子法45
習題46
參考文獻48
第3章機器學習庫Scikitlearn49
3.1背景知識49
3.2Scikitlearn概述50
3.3Scikitlearn主要用法51
3.3.1基本建模流程51
3.3.2數據預處理53
3.3.3監督學習算法55
3.3.4無監督學習算法56
3.3.5評價指標57
3.3.6交叉驗證及超參數調優58
3.4Scikitlearn總結60
習題60
參考文獻62
第4章回歸63
4.1線性回歸63
4.1.1符號定義63
4.1.2背景知識66
4.1.3線性回歸求解66
4.2最小二乘法66
4.3梯度下降67
4.3.1批梯度下降68
4.3.2隨機梯度下降68
4.3.3小批量梯度下降69
4.3.4梯度下降的數學推導69
4.3.5梯度下降與最小二乘法比較70
4.4數據規範化70
4.4.1數據規範化概述70
4.4.2數據規範化的主要方式71
4.4.3數據規範化的適用範圍71
4.5正則化72
4.5.1過擬合和欠擬合72
5.5.2過擬合的處理72
4.5.3欠擬合的處理73
4.5.4正則化的主要形式73
4.6回歸的評價指標74
習題76
參考文獻78
第5章邏輯回歸79
5.1分類問題79
5.2Sigmoid函數80
5.2.1Sigmoid函數概述80
5.2.2Sigmoid函數的特點80
5.2.3Sigmoid函數的原理81
5.3邏輯回歸82
5.3.1邏輯回歸算法思想82
5.3.2邏輯回歸的原理82
5.4邏輯回歸算法總結85
習題86
參考文獻88
第6章樸素貝葉斯89
6.1貝葉斯方法89
6.1.1先驗概率、後驗概率、聯合分布89
6.1.2判別模型和生成模型90
6.2樸素貝葉斯原理90
6.2.1樸素貝葉斯概述90
6.2.2拉普拉斯平滑91
6.2.3樸素貝葉斯公式推導92
6.2.4樸素貝葉斯案例93
6.3樸素貝葉斯分類算法總結95
習題95
參考文獻97
第7章機器學習實踐99
7.1數據集劃分99
7.1.1訓練集、驗證集和測試集劃分99
7.1.2交叉驗證100
7.1.3不平衡數據處理101
7.2評價指標103
7.2.1回歸的評價指標103
7.2.2分類的評價指標103
7.2.3評價指標案例106
7.3正則化、偏差和方差107
7.3.1欠擬合和過擬合107
7.3.2正則化107
7.3.3偏差和方差109
習題111
參考文獻113
第8章KNN算法115
8.1距離度量115
8.1.1歐幾裡得距離115
8.1.2曼哈頓距離116
8.1.3切比雪夫距離116
8.1.4閔可夫斯基距離117
8.1.5漢明距離117
8.1.6余弦相似度118
8.2KNN算法簡介119
8.2.1KNN算法概述119
8.2.2KNN算法流程120
8.3KD樹劃分120
8.3.1KD樹概述120
8.3.2KD樹劃分案例121
8.4KD樹搜索124
8.4.1KD樹搜索概述124
8.4.2KD樹搜索案例125
習題126
參考文獻128
第9章決策樹129
9.1決策樹原理129
9.1.1決策樹概述129
9.1.2決策樹算法思想130
9.2ID3算法130
9.2.1ID3算法概述130
9.2.2ID3劃分標準131
9.2.3ID3算法總結133
9.3C4.5算法133
9.3.1C4.5算法概述133
9.3.2C4.5劃分標準134
9.3.3C4.5剪枝處理134
9.3.4C4.5算法總結138
9.4CART算法139
9.4.1CART算法概述139
9.4.2CART分類樹139
9.4.3CART回歸樹142
9.4.4CART剪枝處理142
9.4.5CART算法總結142
9.5決策樹總結143
9.5.13種決策樹算法的差異143
9.5.2決策樹的優缺點143
習題144
參考文獻146
第10章集成學習147
10.1集成學習概述147
10.1.1Bagging147
10.1.2Boosting148
10.1.3Stacking148
10.2隨機森林149
10.2.1隨機森林算法思想149
10.2.2隨機森林算法總結150
10.3AdaBoost算法150
10.3.1AdaBoost算法思想150
10.3.2AdaBoost算法總結152
10.4GBDT算法153
10.4.1GBDT算法思想154
10.4.2GBDT算法總結156
10.5XGBoost算法156
10.5.1XGBoost算法思想156
10.5.2XGBoost算法推導158
10.5.3XGBoost算法總結161
10.6LightGBM算法161
10.6.1LightGBM算法思想162
10.6.2LightGBM算法總結166
習題167
參考文獻169
第11章人工神經網絡(選修)171
11.1人工神經網絡概述171
11.2感知機模型172
11.2.1感知機模型概述172
11.2.2感知機算法流程172
11.3反向傳播算法173
11.3.1反向傳播算法概述173
11.3.2反向傳播算法流程174
11.3.3反向傳播算法總結178
習題179
參考文獻182
第12章支持向量機183
12.1支持向量機概述183
12.1.1算法思想183
12.1.2背景知識184
12.2線性可分支持向量機185
12.2.1算法思想185
12.2.2求解步驟186
12.3線性支持向量機188
12.3.1松弛變量188
12.3.2求解步驟188
12.4線性不可分支持向量機190
12.4.1算法思想190
12.4.2核技巧190
12.4.3常用核函數191
12.4.4支持向量機的超參數191
12.5支持向量機算法總結192
12.5.1支持向量機普遍使用的準則192
12.5.2算法優缺點193
習題193
參考文獻195
第13章聚類196
13.1聚類概述196
13.1.1無監督學習概述196
13.1.2聚類算法思想196
13.1.3聚類的背景知識198
13.2Kmeans聚類199
13.2.1Kmeans算法思想199
13.2.2Kmeans算法總結203
13.3密度聚類204
13.3.1DBSCAN算法概述204
13.3.2DBSCAN算法思想205
13.3.3DBSCAN算法總結208
13.4層次聚類208
13.4.1層次聚類概述208
13.4.2聚合聚類209
13.4.3分裂聚類209
13.4.4層次聚類算法總結210
13.5聚類的評價指標210
13.5.1均一性210
13.5.2完整性211
13.5.3Vmeasure211
13.5.4輪廓系數211
13.5.5調整蘭德系數212
習題212
參考文獻214
第14章降維215
14.1降維概述215
14.1.1維數災難215
14.1.2降維概述215
14.2奇異值分解216
14.2.1SVD概述216
14.2.2SVD的算法思想217
14.2.3SVD的算法案例219
14.2.4SVD的一些應用220
14.3主成分分析222
14.3.1PCA概述222
14.3.2PCA算法思想222
14.3.3PCA算法案例225
14.3.4PCA算法總結225
習題226
參考文獻229
第15章關聯規則230
15.1關聯規則概述230
15.2Apriori算法231
15.2.1Apriori算法概述231
15.2.2Apriori算法思想232
15.2.3Apriori算法案例232
15.2.4Apriori算法總結235
15.3FPGrowth算法235
15.3.1FPGrowth算法概述235
15.3.2FPGrowth算法思想235
15.3.3FPGrowth算法案例236
15.3.4FPGrowth算法總結240
15.4ECLAT算法240
15.4.1ECLAT算法概述240
15.4.2ECLAT算法思想241
15.4.3ECLAT算法總結241
習題242
參考文獻244