快乐机器学习+2

内容简介

学习并精通任何一门学科无外乎要经过四个步骤：它是什么？它可行吗？怎么学它？如何学好它？机器学习也不例外，《快乐机器学习》就以这四个步骤来介绍机器学习。
?
《快乐机器学习》第1章介绍“机器学习是什么”，即从定义开始，详细介绍机器学习涉及的知识、数据和性能度量。第2章介绍“机器学习可行吗”，即介绍机器具备学习样本以外的数据的能力。
第3章介绍“机器学习怎么学”，即介绍机器如何选择出*优模型。作者在这3章的写作上花费的时间*多，光这3章的内容就*会让读者有所收获。
第4~14章介绍“如何学好机器学习”，重点介绍机器学习的各类算法和调参技巧。
第15 章介绍机器学习中的一些实用的经验，包括学习策略、目标设定、误差分析和偏差与方差分析。作者写作本书的目的是深入浅出介绍机器学习，使看似复杂、晦涩的专业知识变得通俗易懂，让那些想入门的读者感觉门槛没有那么高，让有基础的读者感觉内容也很丰富。
为了达到这两个目的，本书用有趣的引言故事来激起读者的阅读兴趣，用清晰的思维导图来明晰结构，用自画图表来增强美感，用公式推导来讲透原理，达到趣、美、准、全，让每位读者从本书中获益，快乐地学习机器学习。《快乐机器学习》适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。

目录

目录
第1章 机器学习是什么――机器学习定义 1
引言 2
1．1 数据 5
1．1．1 结构型与非结构型数据 5
1．1．2 原始数据与加工 7
1．1．3 样本内数据与样本外数据 9
1．2 机器学习类别 9
1．2．1 有监督学习 10
1．2．2 无监督学习 10
1．2．3 半监督学习 11
1．2．4 增强学习 11
1．2．5 深度学习 11
1．2．6 迁移学习 12
1．3 性能度量 12
1．3．1 误差函数 13
1．3．2 回归度量 14
1．3．3 分类度量 15
1．4 总结 19
参考资料 20
第2章 机器学习可行吗――计算学习理论 22
引言 23
2．1 基础知识 25
2．1．1 二分类 25
2．1．2 对分 26
2．1．3 增长函数 29
2．1．4 突破点 30
2．2 核心推导 31
2．2．1 机器学习可行条件 31
2．2．2 从已知推未知 33
2．2．3 从民意调查到机器学习 35
2．2．4 从单一到有限 36
2．2．5 从有限到无限 37
2．2．6 从无限到有限 38
2．3 结论应用 39
2．3．1 VC 不等式 39
2．3．2 VC 维度 40
2．3．3 模型复杂度 40
2．3．4 样本复杂度 41
2．4 总结 42
参考资料 43
技术附录 43
第3章 机器学习怎么学――模型评估选择 47
引言 48
3．1 模型评估 52
3．2 训练误差和测试误差 52
3．2．1 训练误差 52
3．2．2 真实误差 54
3．2．3 测试误差 57
3．2．4 学习理论 57
3．3 验证误差和交叉验证误差 60
3．3．1 验证误差 60
3．3．2 交叉验证误差 61
3．3．3 学习理论 62
3．4 误差剖析 64
3．4．1 误差来源 64
3．4．2 偏差―方差权衡 66
3．5 模型选择 67
3．6 总结 70
参考资料 71
技术附录 71
第4章 线性回归 73
引言 74
4．1 基础知识 75
4．1．1 标量微积分 75
4．1．2 向量微积分 76
4．2 模型介绍 77
4．2．1 核心问题 77
4．2．2 通用线性回归模型 83
4．2．3 特征缩放 84
4．2．4 学习率设定 86
4．2．5 数值算法比较 87
4．2．6 代码实现 89
4．3 总结 90
参考资料 90
第5章 对率回归 92
引言 93
5．1 基础内容 94
5．1．1 联系函数 94
5．1．2 函数绘图 95
5．2 模型介绍 96
5．2．1 核心问题 96
5．2．2 查准和查全 102
5．2．3 类别不平衡 104
5．2．4 线性不可分 105
5．2．5 多分类问题 106
5．2．6 代码实现 109
5．3 总结 110
参考资料 111
第6章 正则化回归 112
引言 113
6．1 基础知识 114
6．1．1 等值线图 114
6．1．2 坐标下降 116
6．2 模型介绍 116
6．2．1 核心问题 116
6．2．2 模型对比 122
6．2．3 模型 125
6．2．4 代码实现 126
6．3 总结 126
参考资料 127
第7章 支持向量机 128
引言 129
7．1 基础知识 133
7．1．1 向量初体验 133
7．1．2 拉格朗日量 136
7．1．3 原始和对偶 137
7．2 模型介绍 138
7．2．1 硬间隔 SVM 原始问题 138
7．2．2 硬间隔 SVM 对偶问题 144
7．2．3 软间隔 SVM 原始问题 148
7．2．4 软间隔 SVM 对偶问题 150
7．2．5 空间转换 151
7．2．6 核技巧 155
7．2．7 核 SVM 158
7．2．8 SMO 算法 159
7．2．9 模型选择 161
7．3 总结 162
参考资料 164
技术