机器学习与优化PDF|Epub|txt|kindle电子书版本网盘下载

机器学习与优化PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 引言1

1.1 学习与智能优化：燎原之火1

1.2 寻找黄金和寻找伴侣3

1.3 需要的只是数据5

1.4 超越传统的商业智能5

1.5 LION方法的实施6

1.6 “动手”的方法6

第2章 懒惰学习：最近邻方法9

第3章 学习需要方法14

3.1 从已标记的案例中学习：最小化和泛化16

3.2 学习、验证、测试18

3.3 不同类型的误差21

第一部分 监督学习26

第4章 线性模型26

4.1 线性回归27

4.2 处理非线性函数关系的技巧28

4.3 用于分类的线性模型29

4.4 大脑是如何工作的30

4.5 线性模型为何普遍，为何成功31

4.6 最小化平方误差和32

4.7 数值不稳定性和岭回归34

第5章 广义线性最小二乘法37

5.1 拟合的优劣和卡方分布38

5.2 最小二乘法与最大似然估计42

5.2.1 假设检验42

5.2.2 交叉验证44

5.3 置信度的自助法44

第6章 规则、决策树和森林50

6.1 构造决策树52

6.2 民主与决策森林56

第7章 特征排序及选择59

7.1 特征选择：情境60

7.2 相关系数62

7.3 相关比63

7.4 卡方检验拒绝统计独立性64

7.5 熵和互信息64

第8章 特定非线性模型67

8.1 logistic回归67

8.2 局部加权回归69

8.3 用LASSO来缩小系数和选择输入值72

第9章 神经网络：多层感知器76

9.1 多层感知器78

9.2 通过反向传播法学习80

9.2.1 批量和bold driver反向传播法81

9.2.2 在线或随机反向传播82

9.2.3 训练多层感知器的高级优化83

第10章 深度和卷积网络84

10.1 深度神经网络85

10.1.1 自动编码器86

10.1.2 随机噪声、屏蔽和课程88

10.2 局部感受野和卷积网络89

第11章 统计学习理论和支持向量机94

11.1 经验风险最小化96

11.1.1 线性可分问题98

11.1.2 不可分问题100

11.1.3 非线性假设100

11.1.4 用于回归的支持向量101

第12章 最小二乘法和健壮内核机器103

12.1 最小二乘支持向量机分类器104

12.2 健壮加权最小二乘支持向量机106

12.3 通过修剪恢复稀疏107

12.4 算法改进：调谐QP、原始版本、无补偿108

第13章 机器学习中的民主110

13.1 堆叠和融合111

13.2 实例操作带来的多样性：装袋法和提升法113

13.3 特征操作带来的多样性114

13.4 输出值操作带来的多样性：纠错码115

13.5 训练阶段随机性带来的多样性115

13.6 加性logistic回归115

13.7 民主有助于准确率拒绝的折中118

第14章 递归神经网络和储备池计算121

14.1 递归神经网络122

14.2 能量极小化霍普菲尔德网络124

14.3 递归神经网络和时序反向传播126

14.4 递归神经网络储备池学习127

14.5 超限学习机128

第二部分 无监督学习和聚类132

第15章 自顶向下的聚类：K均值132

15.1 无监督学习的方法134

15.2 聚类：表示与度量135

15.3 硬聚类或软聚类的K均值方法137

第16章 自底向上（凝聚）聚类142

16.1 合并标准以及树状图142

16.2 适应点的分布距离：马氏距离144

16.3 附录：聚类的可视化146

第17章 自组织映射149

17.1 将实体映射到原型的人工皮层150

17.2 使用成熟的自组织映射进行分类153

第18章 通过线性变换降维（投影）155

18.1 线性投影156

18.2 主成分分析158

18.3 加权主成分分析：结合坐标和关系160

18.4 通过比值优化进行线性判别161

18.5 费希尔线性判别分析163

第19章 通过非线性映射可视化图与网络165

19.1 最小应力可视化166

19.2 一维情况：谱图绘制168

19.3 复杂图形分布标准170

第20章 半监督学习174

20.1 用部分无监督数据进行学习175

20.1.1 低密度区域中的分离177

20.1.2 基于图的算法177

20.1.3 学习度量179

20.1.4 集成约束和度量学习179

第三部分 优化：力量之源184

第21章 自动改进的局部方法184

21.1 优化和学习185

21.2 基于导数技术的一维情况186

21.2.1 导数可以由割线近似190

21.2.2 一维最小化191

21.3 求解高维模型（二次正定型）191

21.3.1 梯度与最速下降法194

21.3.2 共轭梯度法196

21.4 高维中的非线性优化196

21.4.1 通过线性查找的全局收敛197

21.4.2 解决不定黑塞矩阵198

21.4.3 与模型信赖域方法的关系199

21.4.4 割线法200

21.4.5 缩小差距：二阶方法与线性复杂度201

21.5 不涉及导数的技术：反馈仿射振荡器202

21.5.1 RAS：抽样区域的适应性203

21.5.2 为健壮性和多样化所做的重复205

第22章 局部搜索和反馈搜索优化211

22.1 基于扰动的局部搜索212

22.2 反馈搜索优化：搜索时学习215

22.3 基于禁忌的反馈搜索优化217

第23章 合作反馈搜索优化222

23.1 局部搜索过程的智能协作223

23.2 CoRSO：一个政治上的类比224

23.3 CoRSO的例子：RSO与RAS合作226

第24章 多目标反馈搜索优化232

24.1 多目标优化和帕累托最优233

24.2 脑-计算机优化：循环中的用户235

第四部分 应用精选240

第25章 文本和网页挖掘240

25.1 网页信息检索与组织241

25.1.1 爬虫241

25.1.2 索引242

25.2 信息检索与排名244

25.2.1 从文档到向量：向量-空间模型245

25.2.2 相关反馈247

25.2.3 更复杂的相似性度量248

25.3 使用超链接来进行网页排名250

25.4 确定中心和权威：HITS254

25.5 聚类256

第26章 协同过滤和推荐257

26.1 通过相似用户结合评分258

26.2 基于矩阵分解的模型260

参考文献263

索引269