机器学习
点击看大图基本信息
- 原书名： Machine Learning
- 原出版社： McGraw-Hill
推荐阅读
内容简介回到顶部↑
本书展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。本书综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。本书可作为计算机专业
本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。
本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。
作译者回到顶部↑
本书提供作译者介绍
TOM M.Mitchell是卡内基梅隆大学的教授，讲授“机器(AAA)的主席：美国《Machine Leaming》杂志、国际机器学习年度会议（ICML）的创始人：多种技术杂志的撰稿人，曾发表过许多文章，出版过多本专著，是机器学习领域的著名学者。
.. << 查看详细
.. << 查看详细
目录回到顶部↑
第1章 引言
1．1 学习问题的标准描述
1．2 设计-个学习系统
1．2．1 选择训练经验
1．2．2 选择目标函数
1．2．3 选择目标函数的表示
1. 2．4 选择函数逼近算法
1．2．5 最终设计
1．3 机器学习的一些观点和问题
1．4 如何阅读本书
1．5 小结和补充读物
习题
第2章 概念学习和一般到特殊序
2．1 简介
2．2 概念学习任务
2．2．1 术语定义
2．2．2 归纳学习假设
2．3 作为搜索的概念学习
2．4 find-s：寻找极大特殊假设
2．5 变型空间和候选消除算法
1．1 学习问题的标准描述
1．2 设计-个学习系统
1．2．1 选择训练经验
1．2．2 选择目标函数
1．2．3 选择目标函数的表示
1. 2．4 选择函数逼近算法
1．2．5 最终设计
1．3 机器学习的一些观点和问题
1．4 如何阅读本书
1．5 小结和补充读物
习题
第2章 概念学习和一般到特殊序
2．1 简介
2．2 概念学习任务
2．2．1 术语定义
2．2．2 归纳学习假设
2．3 作为搜索的概念学习
2．4 find-s：寻找极大特殊假设
2．5 变型空间和候选消除算法
译者序回到顶部↑
“机器学习”一般被定义为一个系统自我改进的过程，但仅仅从这个定义来理解和实现机器学习是困难的。从最初的基于神经元模型以及函数逼近论的方法研究，到以符号演算为基础的规则学习和决策树学习的产生，和之后的认知心理学中归纳、解释、类比等概念的引入，至最新的计算学习理论和统计学习的兴起(当然还包括基于马尔可夫过程的增强学习)，机器学习一直都在相关学科的实践应用中起着主导作用。研究人员们借鉴了各个学科的思想来发展机器学习，但关于机器学习问题的实质究竟是什么尚无定论。不同的机器学习方法也各有优缺点，只在其适用的领域内才有良好的效果。因此，以枚举的方法描述机器学习中的各个理论和算法可能是最合适的途径。
《机器学习》一书正是以这种途径来介绍机器学习的。其主要涵盖了目前机器学习中各种最实用的理论和算法，包括概念学习、决策树、神经网络、贝叶斯学习、基于实例的学习、遗传算法、规则学习、基于解释的学习和增强学习等。对每一个主题，作者不仅进行了十分详尽和直观的解释，还给出了实用的算法流程。此外，书中还包括一章对学习算法的精度进行实验评估的内容。书后的习题和参考文献提供了进一步思考相关问题的线索，在网址http：//www—2．cs．cmu．edu/—tom／mlbook．html上也可以找到关于该书的讲演幻灯片、例子程序和数据等信息。在卡内基梅隆等许多大学，本书都被作为机器学习课程的教材。
本书的作者Tom M．Mitchell在机器学习领域享有盛名。他是卡内基梅隆大学的教授，目前在WhizBang!实验室担任副主席和首席科学家。他还是美国人工智能协会(AAAI)的主席，并且是《机器学习》杂志和国际机器学习年度会议(ICML)的创始人。
笔者在翻译过程中力求忠于原著。由于本书涉及了多个学科的内容，因此其中许多的专业术语尽量遵循其所在学科的标准译法，并在有可能引起歧义和冲突之处做了适当调整。同财，我们在专业术语第一次出现的地方注上了英文原文，以方便读者的对照理解。
全书的翻译由曾华军和张银奎合作完成，并得到了周志华、苏中、景风、钱芳、孙晓明、余世鹏、秦文、姚良基和张西烨等同志的许多帮助。由于水平有限，书中错误和不妥之处在所难免，恳请读者批评指正。
《机器学习》一书正是以这种途径来介绍机器学习的。其主要涵盖了目前机器学习中各种最实用的理论和算法，包括概念学习、决策树、神经网络、贝叶斯学习、基于实例的学习、遗传算法、规则学习、基于解释的学习和增强学习等。对每一个主题，作者不仅进行了十分详尽和直观的解释，还给出了实用的算法流程。此外，书中还包括一章对学习算法的精度进行实验评估的内容。书后的习题和参考文献提供了进一步思考相关问题的线索，在网址http：//www—2．cs．cmu．edu/—tom／mlbook．html上也可以找到关于该书的讲演幻灯片、例子程序和数据等信息。在卡内基梅隆等许多大学，本书都被作为机器学习课程的教材。
本书的作者Tom M．Mitchell在机器学习领域享有盛名。他是卡内基梅隆大学的教授，目前在WhizBang!实验室担任副主席和首席科学家。他还是美国人工智能协会(AAAI)的主席，并且是《机器学习》杂志和国际机器学习年度会议(ICML)的创始人。
笔者在翻译过程中力求忠于原著。由于本书涉及了多个学科的内容，因此其中许多的专业术语尽量遵循其所在学科的标准译法，并在有可能引起歧义和冲突之处做了适当调整。同财，我们在专业术语第一次出现的地方注上了英文原文，以方便读者的对照理解。
全书的翻译由曾华军和张银奎合作完成，并得到了周志华、苏中、景风、钱芳、孙晓明、余世鹏、秦文、姚良基和张西烨等同志的许多帮助。由于水平有限，书中错误和不妥之处在所难免，恳请读者批评指正。
前言回到顶部↑
机器学习这门学科所关注的问题是：计算机程序如何随着经验积累自动提高性能。近年来，机器学习被成功地应用于很多领域，从检测信用卡交易欺诈的数据挖掘程序，到获取户阅读兴趣的信息过滤系统，再到能在高速公路上自动行驶的汽车。同时，这个学科的基理论和算法也有了重大进展。
这本教材的目标是展现机器学习中核心的算法和理论。机器学习从很多学科吸收了成果和概念，包括统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制等。笔者相信，研究机器学习的最佳途径是从这些学科的观点看待机器学习，并且以此来理解问题的背景、算法以及其中隐含的假定。这些在以往很难做到，因为在这一领域缺少包容广泛的原始资料，本书的主要目的就是提供这样的一份资料。
由于素材的多学科性，本书不要求读者具有相应的知识背景，而是在必要时介绍其他一些学科的基本概念，如统计学、人工智能、信息论等。介绍的重点是与机器学习关系最密切甲那些概念。本书可以作为计算机科学与工程、统计学和社会科学等专业的大学生或研究生的教材，也可作为软件研究人员或从业人员的参考资料。指导本书写作的两条原则为：第一，它是在校大学生可以理解的；第二，它应该包含我希望我自己的博士生在开始他们的器学习研究前要掌握的内容。
指导本书写作的第三条原则是：它应该体现理论和实践间的均衡。机器学习理论致力于回答这样的问题“学习性能是怎样随着给定的训练样例的数量而变化的?”和“对于各种同类型的学习任务：哪个学习算法最适合?”利用来自统计学、计算复杂性和贝叶斯分析的理论成果，这本书讨论了这一类理论问题。同时本书也涵盖很多实践方面的内容：介绍了这一领域的主要算法，阐明了算法的运行过程。其中一些算法的实现和数据可以在因特网上通过网址http：//www．cs．cmu．edu／-tom／mlbook．html得到，包括用于人脸识别的神经网络的源代码和数据、用于信贷分析的决策树学习的源代码和数据及分析文本文档的贝叶分类器的源代码和数据。我很感谢那些帮助我创建这些在线资源的同事，他们是：Jason Rennie、Paul Hsiung、Jeff Shufelt、Matt Glickman、Scott Davies、Joseph O’Sullivan、Ken Lang＼Andrew McCallum和Thorsten Joachims。
这本教材的目标是展现机器学习中核心的算法和理论。机器学习从很多学科吸收了成果和概念，包括统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制等。笔者相信，研究机器学习的最佳途径是从这些学科的观点看待机器学习，并且以此来理解问题的背景、算法以及其中隐含的假定。这些在以往很难做到，因为在这一领域缺少包容广泛的原始资料，本书的主要目的就是提供这样的一份资料。
由于素材的多学科性，本书不要求读者具有相应的知识背景，而是在必要时介绍其他一些学科的基本概念，如统计学、人工智能、信息论等。介绍的重点是与机器学习关系最密切甲那些概念。本书可以作为计算机科学与工程、统计学和社会科学等专业的大学生或研究生的教材，也可作为软件研究人员或从业人员的参考资料。指导本书写作的两条原则为：第一，它是在校大学生可以理解的；第二，它应该包含我希望我自己的博士生在开始他们的器学习研究前要掌握的内容。
指导本书写作的第三条原则是：它应该体现理论和实践间的均衡。机器学习理论致力于回答这样的问题“学习性能是怎样随着给定的训练样例的数量而变化的?”和“对于各种同类型的学习任务：哪个学习算法最适合?”利用来自统计学、计算复杂性和贝叶斯分析的理论成果，这本书讨论了这一类理论问题。同时本书也涵盖很多实践方面的内容：介绍了这一领域的主要算法，阐明了算法的运行过程。其中一些算法的实现和数据可以在因特网上通过网址http：//www．cs．cmu．edu／-tom／mlbook．html得到，包括用于人脸识别的神经网络的源代码和数据、用于信贷分析的决策树学习的源代码和数据及分析文本文档的贝叶分类器的源代码和数据。我很感谢那些帮助我创建这些在线资源的同事，他们是：Jason Rennie、Paul Hsiung、Jeff Shufelt、Matt Glickman、Scott Davies、Joseph O’Sullivan、Ken Lang＼Andrew McCallum和Thorsten Joachims。
评论交流
共有53人开贴评论 81人参与评论 46人参与打分 查看
评价等级：
发表于：2002-11-30 17:29:00
Tom Mitchell的《机器学习》这本大家期待已久的书籍终于出版了！《机器学习》是该领域内的一本经典著作，是卡内基梅隆等许多大学机器学习课程的教材。目前发表的各种论文，只要与机器学习有关，基本都要引用它，在citeseer上统计的引用次数已达到了549次。
《机器学习》可读性很强，以直观的介绍和解释为主，没有那些晦涩难懂的公式。它的覆盖面也比较广，机器学习历史上得到成功应用的方法，包括最初的基于神经元模型以及函数逼近论的方法研究，以符号演算为基础的规则学习和决策树学习，和之后基于认知心理学的归纳、解释、类比等学习方法，至最新的计算学习理论和统计学习，以及基于马尔可夫过程的增强学习，《机器学习》都有很精彩的论述说明。唯一遗憾的是其中没有最近很热门的SVM和kernel-based学习的内容，不过书中对于统计学习的介绍可以作为一个良好的基础。
译者欢迎您指出书中的任何错误和疏漏，请发信至aaahchi@hotmail.com
《机器学习》可读性很强，以直观的介绍和解释为主，没有那些晦涩难懂的公式。它的覆盖面也比较广，机器学习历史上得到成功应用的方法，包括最初的基于神经元模型以及函数逼近论的方法研究，以符号演算为基础的规则学习和决策树学习，和之后基于认知心理学的归纳、解释、类比等学习方法，至最新的计算学习理论和统计学习，以及基于马尔可夫过程的增强学习，《机器学习》都有很精彩的论述说明。唯一遗憾的是其中没有最近很热门的SVM和kernel-based学习的内容，不过书中对于统计学习的介绍可以作为一个良好的基础。
译者欢迎您指出书中的任何错误和疏漏，请发信至aaahchi@hotmail.com
)
加载中...| 我要写评论 |
| 查看所有评论交流(共53条) |
