基本信息
- 作者： [新西兰]史蒂芬·马斯兰(Stephen Marsland)
- 丛书名： 智能科学与技术丛书
- 出版社：机械工业出版社
- ISBN：9787111622260
- 上架时间：2019-8-16
- 出版日期：2019 年4月
- 开本：16开
- 版次：1-1
- 所属分类：计算机 > 计算机科学理论与基础知识 > 计算理论 > 算法
编辑推荐
本书的核心视角是全面覆盖机器学习中的各种算法并探究其工作原理，旨在帮助读者掌握算法思想，熟悉相关的数学与统计学知识，并掌握必要的编程技巧和实验方法。书中首先介绍基础概念，然后从相对简单的监督学习方法开始讲解，同时讨论了优化和搜索问题，之后分析无监督学习算法，*后探讨更现代的基于统计的机器学习方法。本书配有大量习题，代码示例采用 Python语言编写，所有代码均可免费下载。
内容简介
书籍
计算机书籍
机器学习融合了计算机科学、统计学、数学、工程学等多个学科，应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题，聚焦于机器学习中的算法，清晰呈现算法背后的数学和统计学知识，同时提供必要的编程技巧和实验方法。
书中全面涵盖各类算法，如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新，以反映机器学习的新发展，新增了两个章节来讨论深度置信网络和高斯过程，此外，还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。
本书的代码示例采用Python语言编写，所有代码均可从stephenmonika.net免费下载。
计算机书籍
机器学习融合了计算机科学、统计学、数学、工程学等多个学科，应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题，聚焦于机器学习中的算法，清晰呈现算法背后的数学和统计学知识，同时提供必要的编程技巧和实验方法。
书中全面涵盖各类算法，如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新，以反映机器学习的新发展，新增了两个章节来讨论深度置信网络和高斯过程，此外，还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。
本书的代码示例采用Python语言编写，所有代码均可从stephenmonika.net免费下载。
作译者
作者简介：
史蒂芬·马斯兰（Stephen
Marsland）新西兰惠灵顿维多利亚大学数学与统计学院教授，兼任新西兰复杂系统卓越研究中心项目主管，负责复杂性、风险与不确定性等相关主题的研究工作。研究兴趣是几何和复杂系统的应用，主要涉及形状空间、机器学习和算法。
译者简介：
高阳 教授/博导，目前任南京大学计算机科学与技术系副主任，中国计算机学会机器学习专委会副主任。1997年开始从事人工智能、机器学习、多Agent系统、大数据、图像和视频分析等方向的学术研究。2010年入选教育部新世纪优秀人才计划。曾获2017年度中国人工智能学会吴文俊自然科学奖二等奖、2018年度江苏省科学技术奖二等奖。
商琳 博士／副教授，1998年起任教于南京大学计算机科学与技术系，长期从事人工智能、机器学习、计算智能、文本挖掘、图像与视频理解等领域的教学与科研工作。目前担任中国计算机学会人工智能与模式识别专委会委员，中国人工智能学会粒计算与知识发现专委会副秘书长。
史蒂芬·马斯兰（Stephen
Marsland）新西兰惠灵顿维多利亚大学数学与统计学院教授，兼任新西兰复杂系统卓越研究中心项目主管，负责复杂性、风险与不确定性等相关主题的研究工作。研究兴趣是几何和复杂系统的应用，主要涉及形状空间、机器学习和算法。
译者简介：
高阳 教授/博导，目前任南京大学计算机科学与技术系副主任，中国计算机学会机器学习专委会副主任。1997年开始从事人工智能、机器学习、多Agent系统、大数据、图像和视频分析等方向的学术研究。2010年入选教育部新世纪优秀人才计划。曾获2017年度中国人工智能学会吴文俊自然科学奖二等奖、2018年度江苏省科学技术奖二等奖。
商琳 博士／副教授，1998年起任教于南京大学计算机科学与技术系，长期从事人工智能、机器学习、计算智能、文本挖掘、图像与视频理解等领域的教学与科研工作。目前担任中国计算机学会人工智能与模式识别专委会委员，中国人工智能学会粒计算与知识发现专委会副秘书长。
目录
Machine Learning: An Algorithmic Perspective, Second
Edition
第2版前言
第1版前言
第1章 绪论1
1.1 如果数据有质量，地球将成为黑洞1
1.2 学习3
1.2.1 机器学习3
1.3 机器学习的类别4
1.4 监督学习5
1.4.1 回归5
1.4.2 分类6
1.5 机器学习过程7
1.6 关于编程的注意事项8
1.7 本书的学习路线 9
拓展阅读10
第2章 预备知识11
2.1 专业术语11
2.1.1 权重空间11
2.1.2 维度灾难12
Edition
第2版前言
第1版前言
第1章 绪论1
1.1 如果数据有质量，地球将成为黑洞1
1.2 学习3
1.2.1 机器学习3
1.3 机器学习的类别4
1.4 监督学习5
1.4.1 回归5
1.4.2 分类6
1.5 机器学习过程7
1.6 关于编程的注意事项8
1.7 本书的学习路线 9
拓展阅读10
第2章 预备知识11
2.1 专业术语11
2.1.1 权重空间11
2.1.2 维度灾难12
前言
第2版前言
Machine Learning: An Algorithmic Perspective, Second Edition
自从本书第1版出版以来，在过去的几年里，机器学习领域有了一些有意义的发展。一个是深度置信网络的崛起，这是一个真正激起了强烈研究兴趣的领域（同时也蕴含着巨大的商业利益，因为大型互联网公司都希望抢购涉足这一领域的每家小公司）；而另一个则是长期持续进行的关于机器学习统计解释的研究。后者作为一个研究领域是非常不错的，但对于计算机科学专业的学生而言，由于欠缺统计学基础知识，起步阶段是很困难的，然而，他们又非常有必要学习和关注这个领域的知识。本书专注于机器学习中的算法，希望能帮助学生掌握算法思想，并熟悉相关的数学与统计学知识，以及必要的编程技巧和实验方法。
此外，可用的Python库一直在不断更新，现在有更多的工具可供程序员使用。借助这些便利条件，本书提供了用于实验的支持向量机的简单实现，其他几个地方的代码也做了精简。所有示例代码都可以从http://stephenmonika.net/下载（在“Book”标签下），在学习机器学习的过程中，强烈鼓励大家根据需要随时使用这些代码进行实验。
本书第2版的主要修改包括：
●补充了关于两个新领域的新章节：深度置信网络（第17章）和高斯过程（第18章）。
●重新对章节进行了排序，并且增加了一些材料，使得全书更加自然、流畅。
●重新撰写了关于支持向量机的内容，以包含运行代码和实验建议。
●增加了随机森林（13.3节）、感知器收敛定理（3.4.1节）、适当考虑精度的方法（2.2.4节）、MLP的共轭梯度优化（9.3.2节）以及在第16章添加的卡尔曼滤波和粒子滤波。
●改进了代码，包括更好地使用Python的命名约定。
●贯穿全书的文字修改，使解释更清晰，细节更精准。
在此，我要感谢为本书出谋划策的所有人，他们阅读了不同章节，对于内容的取舍与讲解的方式提出了很多建议。还要感谢新西兰梅西大学的学生，他们与我一起研究了这些材料，无论是作为课程作业的一部分，还是作为研究工作的第一步，无论是理论研究还是机器学习应用。感谢那些为第2版做出特别贡献的人，包括：Nirosha Priyadarshani, James
Curtis,Andy Gilman,rjan Ekeberg，以及Osnabrück Knowledge-Based Systems Research小组，特别是Joachim
Hertzberg、Sven Albrecht和Thomas
Wieman。
Stephen Marsland
于新西兰阿什赫斯特
第1版前言
Machine Learning: An Algorithmic Perspective, Second Edition
自从本书第1版出版以来，在过去的几年里，机器学习领域有了一些有意义的发展。一个是深度置信网络的崛起，这是一个真正激起了强烈研究兴趣的领域（同时也蕴含着巨大的商业利益，因为大型互联网公司都希望抢购涉足这一领域的每家小公司）；而另一个则是长期持续进行的关于机器学习统计解释的研究。后者作为一个研究领域是非常不错的，但对于计算机科学专业的学生而言，由于欠缺统计学基础知识，起步阶段是很困难的，然而，他们又非常有必要学习和关注这个领域的知识。本书专注于机器学习中的算法，希望能帮助学生掌握算法思想，并熟悉相关的数学与统计学知识，以及必要的编程技巧和实验方法。
此外，可用的Python库一直在不断更新，现在有更多的工具可供程序员使用。借助这些便利条件，本书提供了用于实验的支持向量机的简单实现，其他几个地方的代码也做了精简。所有示例代码都可以从http://stephenmonika.net/下载（在“Book”标签下），在学习机器学习的过程中，强烈鼓励大家根据需要随时使用这些代码进行实验。
本书第2版的主要修改包括：
●补充了关于两个新领域的新章节：深度置信网络（第17章）和高斯过程（第18章）。
●重新对章节进行了排序，并且增加了一些材料，使得全书更加自然、流畅。
●重新撰写了关于支持向量机的内容，以包含运行代码和实验建议。
●增加了随机森林（13.3节）、感知器收敛定理（3.4.1节）、适当考虑精度的方法（2.2.4节）、MLP的共轭梯度优化（9.3.2节）以及在第16章添加的卡尔曼滤波和粒子滤波。
●改进了代码，包括更好地使用Python的命名约定。
●贯穿全书的文字修改，使解释更清晰，细节更精准。
在此，我要感谢为本书出谋划策的所有人，他们阅读了不同章节，对于内容的取舍与讲解的方式提出了很多建议。还要感谢新西兰梅西大学的学生，他们与我一起研究了这些材料，无论是作为课程作业的一部分，还是作为研究工作的第一步，无论是理论研究还是机器学习应用。感谢那些为第2版做出特别贡献的人，包括：Nirosha Priyadarshani, James
Curtis,Andy Gilman,rjan Ekeberg，以及Osnabrück Knowledge-Based Systems Research小组，特别是Joachim
Hertzberg、Sven Albrecht和Thomas
Wieman。
Stephen Marsland
于新西兰阿什赫斯特
第1版前言
媒体评论
CRC PRESS机器学习领域畅销教材，知名媒体推荐的十大机器学习入门教材之一。
新西兰惠灵顿维多利亚大学数学与统计学院史蒂芬·马斯兰教授所著，南京大学计算机科学与技术系高阳教授、商琳副教授联袂翻译。
机器学习融合了计算机科学、统计学、数学、工程学等多个学科，应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题，聚焦于机器学习中的算法，清晰呈现算法背后的数学和统计学知识，同时提供必要的编程技巧和实验方法。
书中全面涵盖各类算法，如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新，以反映机器学习的新发展，新增了两个章节来讨论深度置信网络和高斯过程，此外，还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。
本书的代码示例采用Python语言编写，所有代码均可从stephenmonika.net免费下载。
新西兰惠灵顿维多利亚大学数学与统计学院史蒂芬·马斯兰教授所著，南京大学计算机科学与技术系高阳教授、商琳副教授联袂翻译。
机器学习融合了计算机科学、统计学、数学、工程学等多个学科，应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题，聚焦于机器学习中的算法，清晰呈现算法背后的数学和统计学知识，同时提供必要的编程技巧和实验方法。
书中全面涵盖各类算法，如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新，以反映机器学习的新发展，新增了两个章节来讨论深度置信网络和高斯过程，此外，还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。
本书的代码示例采用Python语言编写，所有代码均可从stephenmonika.net免费下载。
