掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
中外學者論AI機器學習:算法背后的理論與優化 版權信息
- ISBN：9787302517184
- 條形碼：9787302517184 ; 978-7-302-51718-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
中外學者論AI機器學習:算法背后的理論與優化 本書特色
以機器學習為核心的人工智能已經成為新一代生產力發展的主要驅動因素。新的技術正在向各行各業 滲透，大有變革各個領域的趨勢。傳統產業向智慧產業的升級迫使原行業從業人員逐漸轉型，市場上對相 關學習材料的需求也日益高漲。幫助廣大學習者更好地理解和掌握機器學習，是編寫本書的目的。 本書針對機器學習領域中*常見的一類問題——有監督學習，從入門、進階、深化三個層面由淺入深 地進行了講解。三個層面包括基礎入門算法、核心理論及理論背后的數學優化。入門部分用以邏輯回歸為 代表的廣義線性模型為出發點，引入書中所有涉及的知識點；進階部分的核心理論涵蓋了經驗風險*小、 結構風險*小、正則化及統一的分類邊界理論；深化部分的數學優化則主要包括*熵原理、拉格朗日對 偶等理論在數學上的推導，以及對模型求解的主流*化方法的探討等。 本書由淺入深，從個別到普便，從自然算法到優化算法，從各個角度深入剖析了機器學習，力求幫助 讀者循序漸進地掌握機器學習的概念、算法和優化理論。
中外學者論AI機器學習:算法背后的理論與優化 內容簡介
以機器學習為核心的人工智能已經成為新一代生產力發展的主要驅動因素。新的技術正在向各行各業 滲透，大有變革各個領域的趨勢。傳統產業向智慧產業的升級迫使原行業從業人員逐漸轉型，市場上對相 關學習材料的需求也日益高漲。幫助廣大學習者更好地理解和掌握機器學習，是編寫本書的目的。 本書針對機器學習領域中很常見的一類問題——有監督學習，從入門、進階、深化三個層面由淺入深 地進行了講解。三個層面包括基礎入門算法、核心理論及理論背后的數學優化。入門部分用以邏輯回歸為 代表的廣義線性模型為出發點，引入書中所有涉及的知識點；進階部分的核心理論涵蓋了經驗風險很小、 結構風險很小、正則化及統一的分類邊界理論；深化部分的數學優化則主要包括很大熵原理、拉格朗日對 偶等理論在數學上的推導，以及對模型求解的主流很優化方法的探討等。 本書由淺入深，從個別到普便，從自然算法到優化算法，從各個角度深入剖析了機器學習，力求幫助 讀者循序漸進地掌握機器學習的概念、算法和優化理論。
中外學者論AI機器學習:算法背后的理論與優化 目錄
第1 章線性回歸與邏輯回歸. 1
1.1 線性回歸. 1
1.1.1 函數關系與統計關系.1
1.1.2 統計與機器學習. 2
1.2 *小二乘法與高斯-馬爾可夫定理. 5
1.2.1 *小二乘法. . 5
1.2.2 高斯-馬爾可夫定理. . 6
1.3 從線性回歸到邏輯回歸. 8
1.4 *大似然估計求解邏輯回歸. . 9
1.5 *小二乘與*大似然. . 11
1.5.1 邏輯回歸與伯努利分布. 11
1.5.2 線性回歸與正態分布. 12
1.6 小結. 13
參考文獻. 13
第2 章廣義線性模型. 15
2.1 廣義線性模型概述.15
2.1.1 廣義線性模型的定義. 15
2.1.2 鏈接函數與指數分布簇. 17
2.2 廣義線性模型求解.20
2.3 *大似然估計Ⅰ：Fisher 信息. 21
2.4 *大似然估計Ⅱ：KL 散度與Bregman 散度. 23
2.4.1 KL 散度. . 23
2.4.2 Bregman 散度. . 25
2.5 小結. 26
X
參考文獻. 26
第3 章經驗風險*小. 28
3.1 經驗風險與泛化誤差概述. .28
3.1.1 經驗風險. 30
3.1.2 泛化誤差. 30
3.1.3 欠擬合和過擬合. . 34
3.1.4 VC 維. . 37
3.2 經驗風險*小的算法. . 40
3.3 分類邊界. . 42
3.3.1 分類算法的損失函數. 42
3.3.2 分類算法的邊界. . 45
3.4 小結. 48
參考文獻. 48
第4 章結構風險*小. 49
4.1 經驗風險*小和過擬合. . 49
4.2 結構風險*小和正則化. . 51
4.2.1 從空間角度理解SRM 52
4.2.2 從貝葉斯觀點理解SRM 54
4.3 回歸的正則化. 55
4.3.1 L2 正則化和嶺回歸. 56
4.3.2 L1 正則化和Lasso 回歸. . 57
4.3.3 L1、L2 組合正則化和ElasticNet 回歸. . 58
4.4 分類的正則化. 60
4.4.1 支持向量機和L2 正則化. 60
4.4.2 XGBoost 和樹正則化. 62
4.4.3 神經網絡和DropOut 正則化. 65
4.4.4 正則化的優缺點. . 66
4.5 小結. 67
參考文獻. 67
第5 章貝葉斯統計與熵.68
5.1 統計學習的基礎：參數估計. .68
5.1.1 矩估計. .68
XI
5.1.2 *大似然估計.69
5.1.3 *小二乘法. 71
5.2 概率分布與三大統計思維. .72
5.2.1 頻率派和正態分布. . 72
5.2.2 經驗派和正態分布. . 75
5.2.3 貝葉斯派和正態分布. 76
5.2.4 貝葉斯統計和熵的關系. 79
5.3 信息熵的理解. 79
5.3.1 信息熵簡史. 79
5.3.2 信息熵定義. 80
5.3.3 期望編碼長度解釋. . 81
5.3.4 不確定性公理化解釋. 81
5.3.5 基于熵的度量.84
5.4 *大熵原理. . 86
5.4.1 *大熵的直觀理解. . 86
5.4.2 *大熵解釋自然指數分布簇. . 87
5.4.3 *大熵解釋*大似然估計.89
5.5 小結. 90
參考文獻. 90
第6 章基于熵的Softmax. .92
6.1 二項分布和多項分布. . 92
6.2 Logistic 回歸和Softmax 回歸. .93
6.2.1 廣義線性模型的解釋. 93
6.2.2 Softmax 回歸. 94
6.2.3 *大熵原理與Softmax 回歸的等價性.96
6.3 *大熵條件下的Log-Linear 101
6.4 多分類界面.103
6.4.1 感知機和多分類感知機. . 104
6.4.2 多分類感知機和結構感知機. 105
6.5 概率圖模型里面的Log-Linear 106
6.6 深度學習里面的Softmax 層. . 108
6.7 小結. . 109
XII
參考文獻. . 109
第7 章拉格朗日乘子法. 111
7.1 凸共軛. .111
7.1.1 凸共軛的定義. 111
7.1.2 凸共軛定理. . 113
7.2 拉格朗日對偶. . 114
7.2.1 拉格朗日對偶概述.115
7.2.2 Salter 條件. . 117
7.2.3 KKT 條件. 118
7.3 Fenchel 對偶. .120
7.4 增廣拉格朗日乘子法. 123
7.4.1 近端. 123
7.4.2 增廣拉格朗日乘子法和對偶上升算法. .126
7.5 交替方向乘子法. . 129
7.5.1 對偶分解. . 130
7.5.2 交替方向乘子法概述. . 131
7.6 小結. . 131
參考文獻. . 132
第8 章隨機梯度下降法. 134
8.1 隨機梯度下降法概述. 134
8.1.1 機器學習場景. 134
8.1.2 隨機梯度下降法的定義. . 135
8.1.3 隨機梯度下降法收斂性分析. 136
8.1.4 收斂性證明. . 139
8.2 隨機梯度下降法進階Ⅰ：方差縮減. 140
8.2.1 方差縮減的效果. 141
8.2.2 方差縮減的實現. 143
8.3 隨機梯度下降法進階Ⅱ：加速與適應. 145
8.3.1 加速. 146
8.3.2 適應. 148
8.3.3 加速￡ 適應. 151
8.4 隨機梯度下降法的并行實現. . 156
XIII
8.5 小結. . 160
參考文獻. . 161
第9 章常見的*優化方法. 163
9.1 *速下降算法. . 163
9.1.1 l2 范數與梯度下降法. . 164
9.1.2 l1 范數與坐標下降算法. . 165
9.1.3 二次范數與牛頓法.166
9.2 步長的設定.168
9.2.1 Armijo-Goldstein 準則. 169
9.2.2 Wolfe-Powell 準則. 170
9.2.3 回溯線搜索. . 171
9.3 收斂性分析.171
9.3.1 收斂速率. . 172
9.3.2 對目標函數的一些假設. . 173
9.4 一階算法：梯度下降法. 177
9.5 二階算法：牛頓法及其衍生算法. .178
9.5.1 牛頓法與梯度下降法的對比. 179
9.5.2 擬牛頓法. . 180
9.5.3 從二次范數的角度看牛頓法. 182
9.6 小結. . 183
參考文獻. . 185
1.1 線性回歸. 1
1.1.1 函數關系與統計關系.1
1.1.2 統計與機器學習. 2
1.2 *小二乘法與高斯-馬爾可夫定理. 5
1.2.1 *小二乘法. . 5
1.2.2 高斯-馬爾可夫定理. . 6
1.3 從線性回歸到邏輯回歸. 8
1.4 *大似然估計求解邏輯回歸. . 9
1.5 *小二乘與*大似然. . 11
1.5.1 邏輯回歸與伯努利分布. 11
1.5.2 線性回歸與正態分布. 12
1.6 小結. 13
參考文獻. 13
第2 章廣義線性模型. 15
2.1 廣義線性模型概述.15
2.1.1 廣義線性模型的定義. 15
2.1.2 鏈接函數與指數分布簇. 17
2.2 廣義線性模型求解.20
2.3 *大似然估計Ⅰ：Fisher 信息. 21
2.4 *大似然估計Ⅱ：KL 散度與Bregman 散度. 23
2.4.1 KL 散度. . 23
2.4.2 Bregman 散度. . 25
2.5 小結. 26
X
參考文獻. 26
第3 章經驗風險*小. 28
3.1 經驗風險與泛化誤差概述. .28
3.1.1 經驗風險. 30
3.1.2 泛化誤差. 30
3.1.3 欠擬合和過擬合. . 34
3.1.4 VC 維. . 37
3.2 經驗風險*小的算法. . 40
3.3 分類邊界. . 42
3.3.1 分類算法的損失函數. 42
3.3.2 分類算法的邊界. . 45
3.4 小結. 48
參考文獻. 48
第4 章結構風險*小. 49
4.1 經驗風險*小和過擬合. . 49
4.2 結構風險*小和正則化. . 51
4.2.1 從空間角度理解SRM 52
4.2.2 從貝葉斯觀點理解SRM 54
4.3 回歸的正則化. 55
4.3.1 L2 正則化和嶺回歸. 56
4.3.2 L1 正則化和Lasso 回歸. . 57
4.3.3 L1、L2 組合正則化和ElasticNet 回歸. . 58
4.4 分類的正則化. 60
4.4.1 支持向量機和L2 正則化. 60
4.4.2 XGBoost 和樹正則化. 62
4.4.3 神經網絡和DropOut 正則化. 65
4.4.4 正則化的優缺點. . 66
4.5 小結. 67
參考文獻. 67
第5 章貝葉斯統計與熵.68
5.1 統計學習的基礎：參數估計. .68
5.1.1 矩估計. .68
XI
5.1.2 *大似然估計.69
5.1.3 *小二乘法. 71
5.2 概率分布與三大統計思維. .72
5.2.1 頻率派和正態分布. . 72
5.2.2 經驗派和正態分布. . 75
5.2.3 貝葉斯派和正態分布. 76
5.2.4 貝葉斯統計和熵的關系. 79
5.3 信息熵的理解. 79
5.3.1 信息熵簡史. 79
5.3.2 信息熵定義. 80
5.3.3 期望編碼長度解釋. . 81
5.3.4 不確定性公理化解釋. 81
5.3.5 基于熵的度量.84
5.4 *大熵原理. . 86
5.4.1 *大熵的直觀理解. . 86
5.4.2 *大熵解釋自然指數分布簇. . 87
5.4.3 *大熵解釋*大似然估計.89
5.5 小結. 90
參考文獻. 90
第6 章基于熵的Softmax. .92
6.1 二項分布和多項分布. . 92
6.2 Logistic 回歸和Softmax 回歸. .93
6.2.1 廣義線性模型的解釋. 93
6.2.2 Softmax 回歸. 94
6.2.3 *大熵原理與Softmax 回歸的等價性.96
6.3 *大熵條件下的Log-Linear 101
6.4 多分類界面.103
6.4.1 感知機和多分類感知機. . 104
6.4.2 多分類感知機和結構感知機. 105
6.5 概率圖模型里面的Log-Linear 106
6.6 深度學習里面的Softmax 層. . 108
6.7 小結. . 109
XII
參考文獻. . 109
第7 章拉格朗日乘子法. 111
7.1 凸共軛. .111
7.1.1 凸共軛的定義. 111
7.1.2 凸共軛定理. . 113
7.2 拉格朗日對偶. . 114
7.2.1 拉格朗日對偶概述.115
7.2.2 Salter 條件. . 117
7.2.3 KKT 條件. 118
7.3 Fenchel 對偶. .120
7.4 增廣拉格朗日乘子法. 123
7.4.1 近端. 123
7.4.2 增廣拉格朗日乘子法和對偶上升算法. .126
7.5 交替方向乘子法. . 129
7.5.1 對偶分解. . 130
7.5.2 交替方向乘子法概述. . 131
7.6 小結. . 131
參考文獻. . 132
第8 章隨機梯度下降法. 134
8.1 隨機梯度下降法概述. 134
8.1.1 機器學習場景. 134
8.1.2 隨機梯度下降法的定義. . 135
8.1.3 隨機梯度下降法收斂性分析. 136
8.1.4 收斂性證明. . 139
8.2 隨機梯度下降法進階Ⅰ：方差縮減. 140
8.2.1 方差縮減的效果. 141
8.2.2 方差縮減的實現. 143
8.3 隨機梯度下降法進階Ⅱ：加速與適應. 145
8.3.1 加速. 146
8.3.2 適應. 148
8.3.3 加速￡ 適應. 151
8.4 隨機梯度下降法的并行實現. . 156
XIII
8.5 小結. . 160
參考文獻. . 161
第9 章常見的*優化方法. 163
9.1 *速下降算法. . 163
9.1.1 l2 范數與梯度下降法. . 164
9.1.2 l1 范數與坐標下降算法. . 165
9.1.3 二次范數與牛頓法.166
9.2 步長的設定.168
9.2.1 Armijo-Goldstein 準則. 169
9.2.2 Wolfe-Powell 準則. 170
9.2.3 回溯線搜索. . 171
9.3 收斂性分析.171
9.3.1 收斂速率. . 172
9.3.2 對目標函數的一些假設. . 173
9.4 一階算法：梯度下降法. 177
9.5 二階算法：牛頓法及其衍生算法. .178
9.5.1 牛頓法與梯度下降法的對比. 179
9.5.2 擬牛頓法. . 180
9.5.3 從二次范數的角度看牛頓法. 182
9.6 小結. . 183
參考文獻. . 185
展開全部
中外學者論AI機器學習:算法背后的理論與優化 作者簡介
史春奇博士，畢業于日本京都大學，美國Brandeis University博士后，現為港輝金融信息Vice President， 曾任通用電氣（中國）有限公司資深數據科學家。
卜晶祎，畢業于上海交通大學，現為友邦保險集團人工智能主管。曾就職于通用電氣（中國）研究開發中心有限公司，任資深數據科學家；曾任飛利浦亞洲研究院高級研究員。
施智平博士，首都師范大學信息工程學院教授，院長，畢業于中科院計算技術研究所。于2012年和2017年獲北京市科學技術獎二等獎兩次，中國計算機學會高級會員，形式化方法專委會委員，人工智能學會會員，智能服務專委會委員，IEEE/ACM 會員。
書友推薦
- >
經典常談
- >
名家帶你讀魯迅:朝花夕拾
- >
李白與唐代文化
- >
名家帶你讀魯迅:故事新編
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
小考拉的故事-套裝共3冊
- >
月亮與六便士
- >
詩經-先民的歌唱
本類暢銷
