[正版]清华B4机器学习周志华西瓜书人工智能入门教程机器学习入门中文教科书python机器学习基础知识人工智能书籍深

         店铺公告

  为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。

温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货），

关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

  本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!

1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!

2.店铺无纸质均开具电子，请联系客服开具电子版

 

机器学习

作者：周志华
定价：108元
印次：1-41
ISBN：9787302423287
出版日期：2016.01.01
印刷日期：2023.07.17

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。

本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

这是一本面向中文读者的机器学习教科书, 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识.
然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生,
以及具有类似背景的对机器学习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介。
全书共16章, 大体上可分为3个部分：第1部分包括第1~3章, 介绍机器学习基础知识; 第2部分包括第4~10章, 介绍一些经典而常用的机器学习方法; 第3部分包括第11~16章, 介绍一些进阶知识. 前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书。

书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程
可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考。

基本信息

出版社: 清华大学出版社; 第1版 (2016年1月1日)

平装: 425页

语种： 简体中文

开本: 16

ISBN: 7302423288, 9787302423287

条形码: 9787302423287

商品尺寸: 23.4 x 21 x 2.4 cm

商品重量: 939 g

品牌: 清华大学出版社

ASIN: B01ARKEV1G

编辑推荐

《机器学习》内容全面；结构合理；叙述清楚；深入浅出。人工智能领域中文的开山之作！

媒体推荐

ACM数据挖掘中国分会点评周志华教授的专著《机器学习》

2016-02-05 KDD China CKDD

南京大学周志华教授撰写的《机器学习》（清华大学出版社）上架不到一周即成为亚马逊*

畅销商品，各网站上被抢购一空，一时间“洛阳纸贵”。技术类书籍热卖到此程度，相

当罕见。ACM数据挖掘中国分会部分专家仔细研读了这本专著，给出如下评价：

全书16章，附带相关矩阵、优化、概率知识的附录，共425页，62.6万字。中国计算机学会

终身成就奖得主陆汝钤院士作序，书后有作者自撰后记。该书有以下特点：

1. 内容系统全面。全书16章，覆盖了机器学习几乎所有的主要分支领域，覆盖面超过了该

领域国际著名书籍如ESL与PRML：** 部分（**-3 章）介绍机器学习的基础知识；第2 部

分（第4-10 章）介绍一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、

贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（**1-16 章）为进阶知识

，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及

强化学习。此外，书中每章都提供了精心总结的阅读文献，对读者进一步深造提供了极大帮

助。

 

2. 行文通畅易读。作者文笔精彩，全书思路清晰、文字活泼通畅，每章附带的小故事让读

者在轻松之余了解学科相关历史。尤为难得的是，作者很善于把复杂的事情说得简单明白，

避免数学公式的堆砌，重在说清技术内容的来龙去脉，让读者不仅“知其然”，还要“知其

所以然”。这不仅对初学者有益，对本领域研究者了解学科全局的发展思路也很有帮助。另

外，该书对关键的公式又有具体详尽的推导分析。

 

3. 叙述立场客观。作为入门教科书，尽可能不带偏见地对材料进行客观介绍**重要。以往的一些书籍在此方面有失偏颇，如PRML把所有机器学习材料都从贝叶斯角度来诠释描述，这对高水平读者很有益，能让人看到各种内容均可以从不同学派的角度来理解；但是对入门读者，先入为主地强化单一学派的思路和价值观，对深入理解整个学科未必有益。周教授《

机器学习》书各种材料均从其本源产生的角度来介绍，令细心读者对各学派的优点都能有所体会，对入门者**有益。

4. 设计装帧精美。该书近似方形开本，注释以边注形式出现，侧边空白便于读者写笔记，

设计很人性化。文字、公式、数学符号混排格式美观精致。特别是，彩图是彩印的！纸张也

相当好，足以看出作者和出版社的用心。封面设计清新文艺。该书可谓技术类书籍中的艺术

品，令人爱不释手。

ACM数据挖掘中国分会（KDD China）专家组一致认为，该书是重量专家用中文母语精心打

造，是不可多得的好书，必将成为该领域的经典名作。KDD China专家组将继续对国内相关

领域热门技术和进展做出权威点评。

作者简介：周志华教授是大陆**位AAAIFellow，并且是IEEEFellow、IAPRFellow、ACM杰出

科学家，国际人工智能联合大会的机器学*，国际数据挖掘大会主席，是人工智能、机

器学习、数据挖掘领域的重量权威专家。《机器学习》是周教授耗时两年精心打造的力作。

作者简介

周志华，南京大学计算机系教授，ACM杰出科学家，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任，中国人工智能学会机器学习专业委员会主任，IEEE计算智能学会数据挖掘技术委员会副主席。

内容简介

《机器学习》是计算机科学与人工智能的重要分支领域。《机器学习》作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。全书共16章，大致分为3个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。

《机器学习》可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

目录

第1章 1

1.1 引言 1

1.2 基本术 2

1.3 假设空间 4

1.4 归纳偏好 6

1.5 发展历程 10

1.6 应用现状 13

1.7 阅读材料 16

习题 19

参考文献 20

休息一会儿 22

第2章 模型评估与选择 23 

2.1 经验误差与过拟合 23 

2.2 评估方法 24 

2.2.1 留出法 25 

2.2.2 交叉验证法 26 

2.2.3 自助法 27 

2.2.4 调参与最终模型 28 

2.3 性能度量 28 

2.3.1 错误率与精度 29 

2.3.2 查准率、查全率与F1 30 

2.3.3 ROC与AUC 33 

2.3.4 代价敏感错误率与代价曲线 35 

2.4 比较检验 37 

2.4.1 假设检验 37 

2.4.2 交叉验证t检验 40 

2.4.3 McNemar检验 41 

2.4.4 Friedman检验与后续检验 42 

2.5 偏差与方差 44 

2.6 阅读材料 46 

习题 48 

参考文献 49 

休息一会儿 51 

第3章 线性模型 53 

3.1 基本形式 53 

3.2 线性回归 53 

3.3 对数几率回归 57 

3.4 线性判别分析 60 

3.5 多分类学习 63 

3.6 类别不平衡问题 66 

3.7 阅读材料 67 

习题 69 

参考文献 70 

休息一会儿 72 

第4章 决策树 73 

4.1 基本流程 73 

4.2 划分选择 75 

4.2.1 信息增益 75 

4.2.2 增益率 77 

4.2.3 基尼指数 79 

4.3 剪枝处理 79 

4.3.1 预剪枝 80 

4.3.2 后剪枝 82 

4.4 连续与缺失值 83 

4.4.1 连续值处理 83 

4.4.2 缺失值处理 85 

4.5 多变量决策树 88 

4.6 阅读材料 92 

习题 93 

参考文献 94 

休息一会儿 95 

第5章 神经网络 97 

5.1 神经元模型 97 

5.2 感知机与多层网络 98 

5.3 误差逆传播算法 101 

5.4 全局最小与局部极小 106 

5.5 其他常见神经网络 108 

5.5.1 RBF网络 108 

5.5.2 ART网络 108 

5.5.3 SOM网络 109 

5.5.4 级联相关网络 110 

5.5.5 Elman网络 111 

5.5.6 Boltzmann机 111 

5.6 深度学习 113 

5.7 阅读材料 115 

习题 116 

参考文献 117 

休息一会儿 120 

第6章 支持向量机 121 

6.1 间隔与支持向量 121 

6.2 对偶问题 123 

6.3 核函数 126 

6.4 软间隔与正则化 129 

6.5 支持向量回归 133 

6.6 核方法 137 

6.7 阅读材料 139 

习题 141 

参考文献 142 

休息一会儿 145 

第7章 贝叶斯分类器 147 

7.1 贝叶斯决策论 147 

7.2 极大似然估计 149 

7.3 朴素贝叶斯分类器 150 

7.4 半朴素贝叶斯分类器 154 

7.5 贝叶斯网 156 

7.5.1 结构 157 

7.5.2 学习 159 

7.5.3 推断 161 

7.6 EM算法 162 

7.7 阅读材料 164 

习题 166 

参考文献 167 

休息一会儿 169 

第8章 集成学习 171 

8.1 个体与集成 171 

8.2 Boosting 173 

8.3 Bagging与随机森林 178 

8.3.1 Bagging 178 

8.3.2 随机森林 179 

8.4 结合策略 181 

8.4.1 平均法 181 

8.4.2 投票法 182 

8.4.3 学习法 183 

8.5 多样性 185 

8.5.1 误差--分歧分解 185 

8.5.2 多样性度量 186 

8.5.3 多样性增强 188 

8.6 阅读材料 190 

习题 192 

参考文献 193 

休息一会儿 196 

第9章 聚类 197 

9.1 聚类任务 197 

9.2 性能度量 197 

9.3 距离计算 199 

9.4 原型聚类 202 

9.4.1 k均值算法 202 

9.4.2 学习向量量化 204 

9.4.3 高斯混合聚类 206 

9.5 密度聚类 211 

9.6 层次聚类 214 

9.7 阅读材料 217 

习题 220 

参考文献 221 

休息一会儿 224 

第10章 降维与度量学习 225 

10.1 k近邻学习 225 

10.2 低维嵌入 226 

10.3 主成分分析 229 

10.4 核化线性降维 232 

10.5 流形学习 234 

10.5.1 等度量映射 234 

10.5.2 局部线性嵌入 235 

10.6 度量学习 237 

10.7 阅读材料 240 

习题 242 

参考文献 243 

休息一会儿 246 

第11章 特征选择与稀疏学习 247 

11.1 子集搜索与评价 247 

11.2 过滤式选择 249 

11.3 包裹式选择 250 

11.4 嵌入式选择与L$_1$正则化 252 

11.5 稀疏表示与字典学习 254 

11.6 压缩感知 257 

11.7 阅读材料 260 

习题 262 

参考文献 263 

休息一会儿 266 

第12章 计算学习理论 267 

12.1 基础知识 267 

12.2 PAC学习 268 

12.3 有限假设空间 270 

12.3.1 可分情形 270 

12.3.2 不可分情形 272 

12.4 VC维 273 

12.5 Rademacher复杂度 279 

12.6 稳定性 284 

12.7 阅读材料 287 

习题 289 

参考文献 290 

休息一会儿 292 

第13章 半监督学习 293 

13.1 未标记样本 293 

13.2 生成式方法 295 

13.3 半监督SVM 298 

13.4 图半监督学习 300 

13.5 基于分歧的方法 304 

13.6 半监督聚类 307 

13.7 阅读材料 311 

习题 313 

参考文献 314 

休息一会儿 317 

第14章 概率图模型 319 

14.1 隐马尔可夫模型 319 

14.2 马尔可夫随机场 322 

14.3 条件随机场 325 

14.4 学习与推断 328 

14.4.1 变量消去 328 

14.4.2 信念传播 330 

14.5 近似推断 331 

14.5.1 MCMC采样 331 

14.5.2 变分推断 334 

14.6 话题模型 337 

14.7 阅读材料 339 

习题 341 

参考文献 342 

休息一会儿 345 

第15章 规则学习 347 

15.1 基本概念 347 

15.2 序贯覆盖 349 

15.3 剪枝优化 352 

15.4 一阶规则学习 354 

15.5 归纳逻辑程序设计 357 

15.5.1 最小一般泛化 358 

15.5.2 逆归结 359 

15.6 阅读材料 363 

习题 365 

参考文献 366 

休息一会儿 369 

第16章 强化学习 371 

16.1 任务与奖赏 371 

16.2 $K$-摇臂赌博机 373 

16.2.1 探索与利用 373 

16.2.2 $\epsilon $-贪心 374 

16.2.3 Softmax 375 

16.3 有模型学习 377 

16.3.1 策略评估 377 

16.3.2 策略改进 379 

16.3.3 策略迭代与值迭代 381 

16.4 免模型学习 382 

16.4.1 蒙特卡罗强化学习 383 

16.4.2 时序差分学习 386 

16.5 值函数近似 388 

16.6 模仿学习 390 

16.6.1 直接模仿学习 391 

16.6.2 逆强化学习 391 

16.7 阅读材料 393 

习题 394 

参考文献 395 

休息一会儿 397 

附录 399 

A 矩阵 399 

B 优化 403 

C 概率分布 409 

后记 417 

索引 419 

1