機(jī)器學(xué)習(xí)基礎(chǔ)教程(中文版)pdf格式【高清電子書】

機(jī)器學(xué)習(xí)基礎(chǔ)教程中文版由郭茂祖等翻譯。這是一本在豆瓣上獲得7.3分評(píng)分的書籍。本節(jié)內(nèi)容東坡小編為大家整理帶來(lái)的是一份pdf格式機(jī)器學(xué)習(xí)基礎(chǔ)教程(中文版)電子書，書籍內(nèi)容高清無(wú)水印，是一份不錯(cuò)的電子讀物，如果你想要閱讀的話，點(diǎn)擊本文相應(yīng)的下載地址進(jìn)行下載即可！以下是該書的相關(guān)介紹，希望對(duì)大家有所幫助！

機(jī)器學(xué)習(xí)基礎(chǔ)教程目錄

出版者的話

譯者序

前言

第1章　線性建模：最小二乘法1

1.1　線性建模1

1.1.1　定義模型2

1.1.2　模型假設(shè)2

1.1.3　定義什么是好的模型3

1.1.4　最小二乘解：一個(gè)有效的例子4

1.1.5　有效的例子7

1.1.6　奧運(yùn)會(huì)數(shù)據(jù)的最小二乘擬合8

1.1.7　小結(jié)9

1.2　預(yù)測(cè)9

1.2.1　第二個(gè)奧運(yùn)會(huì)數(shù)據(jù)集10

1.2.2　小結(jié)12

1.3　向量/矩陣符號(hào)12

1.3.1　例子17

1.3.2　數(shù)值的例子18

1.3.3　預(yù)測(cè)19

1.3.4　小結(jié)19

1.4　線性模型的非線性響應(yīng)19

1.5　泛化與過擬合22

1.5.1　驗(yàn)證數(shù)據(jù)22

1.5.2　交叉驗(yàn)證23

1.5.3　K折交叉驗(yàn)證的計(jì)算縮放25

1.6　正則化最小二乘法25

1.7　練習(xí)27

其他閱讀材料28

第2章　線性建模：最大似然方法29

2.1　誤差作為噪聲29

2.2　隨機(jī)變量和概率30

2.2.1　隨機(jī)變量30

2.2.2　概率和概率分布31

2.2.3　概率的加法32

2.2.4　條件概率32

2.2.5　聯(lián)合概率33

2.2.6　邊緣化34

2.2.7　貝葉斯規(guī)則介紹36

2.2.8　期望值37

2.3　常見的離散分布39

2.3.1　伯努利分布39

2.3.2　二項(xiàng)分布39

2.3.3　多項(xiàng)分布40

2.4　連續(xù)型隨機(jī)變量——概率密度函數(shù)40

2.5　常見的連續(xù)概率密度函數(shù)42

2.5.1　均勻密度函數(shù)42

2.5.2　β密度函數(shù)43

2.5.3　高斯密度函數(shù)44

2.5.4　多元高斯44

2.5.5　小結(jié)46

2.6　產(chǎn)生式的考慮（續(xù)）46

2.7　似然估計(jì)47

2.7.1　數(shù)據(jù)集的似然值48

2.7.2　最大似然49

2.7.3　最大似然解的特點(diǎn)50

2.7.4　最大似然法適用于復(fù)雜模型52

2.8　偏差方差平衡問題53

2.9　噪聲對(duì)參數(shù)估計(jì)的影響53

2.9.1　參數(shù)估計(jì)的不確定性54

2.9.2　與實(shí)驗(yàn)數(shù)據(jù)比較57

2.9.3　模型參數(shù)的變異性——奧運(yùn)會(huì)數(shù)據(jù)58

2.10　預(yù)測(cè)值的變異性59

2.10.1　預(yù)測(cè)值的變異性——一個(gè)例子59

2.10.2　估計(jì)值的期望值61

2.10.3　小結(jié)63

2.11　練習(xí)63

其他閱讀材料64

第3章　機(jī)器學(xué)習(xí)的貝葉斯方法66

3.1　硬幣游戲66

3.1.1　計(jì)算正面朝上的次數(shù)67

3.1.2　貝葉斯方法67

3.2　精確的后驗(yàn)70

3.3　三個(gè)場(chǎng)景71

3.3.1　沒有先驗(yàn)知識(shí)71

3.3.2　公平的投幣76

3.3.3　有偏的投幣78

3.3.4　三個(gè)場(chǎng)景——總結(jié)80

3.3.5　增加更多的數(shù)據(jù)80

3.4　邊緣似然估計(jì)80

3.5　超參數(shù)82

3.6　圖模型83

3.7　奧運(yùn)會(huì)100米數(shù)據(jù)的貝葉斯處理實(shí)例84

3.7.1　模型84

3.7.2　似然估計(jì)85

3.7.3　先驗(yàn)概率85

3.7.4　后驗(yàn)概率85

3.7.5　1階多項(xiàng)式87

3.7.6　預(yù)測(cè)89

3.8　邊緣似然估計(jì)用于多項(xiàng)式模型階的選擇90

3.9　小結(jié)91

3.10　練習(xí)91

其他閱讀材料92

第4章　貝葉斯推理94

4.1　非共軛模型94

4.2　二值響應(yīng)94

4.3　點(diǎn)估計(jì)：最大后驗(yàn)估計(jì)方案96

4.4　拉普拉斯近似100

4.4.1　拉普拉斯近似實(shí)例：近似γ密度101

4.4.2　二值響應(yīng)模型的拉普拉斯近似102

4.5　抽樣技術(shù)103

4.5.1　玩飛鏢游戲104

4.5.2　Metropolis-Hastings算法105

4.5.3　抽樣的藝術(shù)110

4.6　小結(jié)111

4.7　練習(xí)111

其他閱讀材料111

第5章　分類113

5.1　一般問題113

5.2　概率分類器113

5.2.1　貝葉斯分類器114

5.2.2　邏輯回歸121

5.3　非概率分類器123

5.3.1　K近鄰算法123

5.3.2　支持向量機(jī)和其他核方法…125

5.3.3　小結(jié)132

5.4　評(píng)價(jià)分類器的性能133

5.4.1　準(zhǔn)確率——0/1損失133

5.4.2　敏感性和特異性133

5.4.3　ROC曲線下的區(qū)域134

5.4.4　混淆矩陣135

5.5　判別式和產(chǎn)生式分類器136

5.6　小結(jié)136

5.7　練習(xí)136

其他閱讀材料137

第6章　聚類分析138

6.1　一般問題138

6.2　K均值聚類139

6.2.1　聚類數(shù)目的選擇141

6.2.2　K均值的不足之處141

6.2.3　核化K均值141

6.2.4　小結(jié)144

6.3　混合模型144

6.3.1　生成過程144

6.3.2　混合模型似然函數(shù)146

6.3.3　EM算法146

6.3.4　例子151

6.3.5　EM尋找局部最優(yōu)153

6.3.6　組分?jǐn)?shù)目的選擇153

6.3.7　混合組分的其他形式154

6.3.8　用EM估計(jì)MAP156

6.3.9　貝葉斯混合模型157

6.4　小結(jié)157

6.5　練習(xí)157

其他閱讀材料158

第7章　主成分分析與隱變量模型159

7.1　一般問題159

7.2　主成分分析161

7.2.1　選擇D164

7.2.2　PCA的局限性165

7.3　隱變量模型165

7.3.1　隱變量模型中的混合模型165

7.3.2　小結(jié)166

7.4　變分貝葉斯166

7.4.1　選擇Q（θ）167

7.4.2　優(yōu)化邊界168

7.5　PCA的概率模型168

7.5.1　Qτ（τ）169

7.5.2　Qxn（xn）170

7.5.3　Qwn（wm）171

7.5.4　期望值要求171

7.5.5　算法172

7.5.6　例子173

7.6　缺失值174

7.6.1　缺失值作為隱變量176

7.6.2　預(yù)測(cè)缺失值176

7.7　非實(shí)值數(shù)據(jù)177

7.7.1　概率PPCA177

7.7.2　議會(huì)數(shù)據(jù)可視化180

7.8　小結(jié)184

7.9　練習(xí)184

其他閱讀材料184

詞匯表185

索引188

機(jī)器學(xué)習(xí)基礎(chǔ)教程內(nèi)容簡(jiǎn)介

本書通過大量的MATLAB/Octave腳本將算法和概念由抽象的等式轉(zhuǎn)化為解決實(shí)際問題的工具，利用它們讀者可以重新繪制書中的插圖，并研究如何改變模型說明和參數(shù)取值。

本書是一本機(jī)器學(xué)習(xí)入門教程，包含了數(shù)學(xué)和統(tǒng)計(jì)學(xué)的核心技術(shù)，用于幫助理解一些常用的機(jī)器學(xué)習(xí)算法。書中展示的算法涵蓋了機(jī)器學(xué)習(xí)的各個(gè)重要領(lǐng)域：分類、聚類和投影。本書對(duì)一小部分算法進(jìn)行了詳細(xì)描述和推導(dǎo)，而不是簡(jiǎn)單地將大量算法羅列出來(lái)。

機(jī)器學(xué)習(xí)基礎(chǔ)教程電子書內(nèi)容截圖