机器学习公式详解-行业好书-社会科学-太极之巅书单号

书刊介绍

内容简介

谢文睿

北京工业大学硕士，开源组织Datawhale 核心成员兼开源项目负责人，主要研究方向为机器学习与自然语言处理。

秦州

康奈尔大学计算机硕士，Datawhale重要贡献成员。阿里巴巴算法工程师，主要研究方向为图神经网络的研发和应用。CIKM 2019最佳应用论文作者，开源图神经网络框架graph-learn核心开发者。

作品目录

序（王斌小米AI 实验室主任、NLP 首席科学家）
前言
主要符号表
第1章绪论
式(1.1)
式(1.2)
第2章模型评估与选择
式(2.20)
式(2.21)
式(2.27)
式(2.41)
附注
参考文献
第3章线性模型
式(3.5)
式(3.6)
式(3.7)
式(3.10)
式(3.27)
式(3.30)
式(3.32)
式(3.37)
式(3.38)
式(3.39)
式(3.43)
式(3.44)
式(3.45)
第4章决策树
式(4.1)
式(4.2)
式(4.6)
式(4.7)
式(4.8)
附注
参考文献
第5章神经网络
式(5.2)
式(5.10)
式(5.12)
式(5.13)
式(5.14)
式(5.15)
ii j 目录
式(5.20)
式(5.22)
式(5.23)
式(5.24)
附注
参考文献
第6章支持向量机
式(6.9)
式(6.10)
式(6.11)
式(6.13)
式(6.35)
式(6.37)
式(6.38)
式(6.39)
式(6.40)
式(6.41)
式(6.52)
式(6.60)
式(6.62)
式(6.63)
式(6.65)
式(6.66)
式(6.67)
式(6.70)
附注
参考文献
第7章贝叶斯分类器
式(7.5)
式(7.6)
式(7.12)
式(7.13)
式(7.19)
式(7.20)
式(7.24)
式(7.25)
式(7.27)
式(7.34)
附注
参考文献
第8章集成学习
式(8.1)
式(8.2)
式(8.3)
式(8.4)
式(8.5)
式(8.6)
式(8.7)
式(8.8)
式(8.9)
式(8.10)
式(8.11)
式(8.12)
式(8.13)
式(8.14)
式(8.16)
式(8.17)
式(8.18)
式(8.19)
式(8.20)
式(8.21)
式(8.22)
式(8.23)
式(8.24)
式(8.25)
式(8.26)
式(8.27)
式(8.28)
式(8.29)
式(8.30)
式(8.31)
式(8.32)
式(8.33)
式(8.34)
式(8.35)
式(8.36)
第9章聚类
式(9.5)
式(9.6)
式(9.7)
式(9.8)
式(9.33)
式(9.34)
式(9.35)
式(9.38)
第10章降维与度量学习
式(10.1)
式(10.2)
式(10.3)
式(10.4)
式(10.5)
式(10.6)
式(10.10)
式(10.14)
式(10.17)
式(10.24)
式(10.28)
式(10.31)
第11章特征选择与稀疏学习
式(11.1)
式(11.2)
式(11.5)
式(11.6)
式(11.7)
式(11.10)
式(11.11)
式(11.12)
式(11.13)
式(11.14)
式(11.15)
式(11.16)
式(11.17)
式(11.18)
第12章计算学习理论
式(12.1)
式(12.2)
式(12.3)
式(12.4)
式(12.5)
式(12.7)
式(12.9)
式(12.10)
式(12.11)
式(12.12)
式(12.13)
式(12.14)
式(12.15)
式(12.16)
式(12.17)
式(12.18)
式(12.19)
式(12.20)
式(12.21)
式(12.22)
式(12.23)
式(12.24)
式(12.25)
式(12.26)
式(12.27)
式(12.28)
式(12.29)
式(12.30)
式(12.31)
式(12.32)
式(12.34)
式(12.36)
式(12.37)
式(12.38)
式(12.39)
式(12.40)
式(12.41)
式(12.42)
式(12.43)
式(12.44)
式(12.45)
式(12.46)
式(12.52)
式(12.53)
式(12.57)
式(12.58)
式(12.59)
式(12.60)
参考文献
第13章半监督学习
式(13.1)
式(13.2)
式(13.3)
式(13.4)
式(13.5)
式(13.6)
式(13.7)
式(13.8)
式(13.9)
式(13.12)
式(13.13)
式(13.14)
式(13.15)
式(13.16)
式(13.17)
式(13.20)
第14章概率图模型
式(14.1)
式(14.2)
式(14.3)
式(14.4)
式(14.7)
式(14.8)
式(14.9)
式(14.10)
式(14.14)
式(14.15)
式(14.16)
式(14.17)
式(14.18)
式(14.19)
式(14.20)
式(14.22)
式(14.26)
式(14.27)
式(14.28)
式(14.29)
式(14.30)
式(14.31)
式(14.32)
式(14.33)
式(14.34)
式(14.35)
式(14.36)
式(14.37)
式(14.38)
式(14.39)
式(14.40)
式(14.41)
式(14.42)
式(14.43)
式(14.44)
第15章规则学习
式(15.2)
式(15.3)
式(15.6)
式(15.7)
式(15.9)
式(15.10)
式(15.11)
式(15.12)
式(15.13)
式(15.14)
式(15.16)
第16章强化学习
式(16.2)
式(16.3)
式(16.4)
式(16.7)
式(16.8)
式(16.10)
式(16.14)
式(16.16)
式(16.31)
· · · · · ·

作者简介

谢文睿

北京工业大学硕士，开源组织Datawhale 核心成员兼开源项目负责人，主要研究方向为机器学习与自然语言处理。

秦州

精彩摘录

写此序之时，我们正面临ChatGPT带来的一场技术革命。个人认为，这场革命将会不断持续下去，其影响将十分深远，会触及整个社会的方方面面。我相信人工智能再也无法走出大家的视野。了解、理解人工智能将会成为每个人最基本的能力。大家知道，机器学习是这些年来人工智能中最核心的技术。学好机器学习，也将是学好人工智能的关键所在，而这本书会助你一臂之力。这本书的第1版出版之后，大受读者欢迎。在收到众多读者反馈意见的基础上，第2版从多个方面进行了补充和修订，相信这一版会给读者带来更多的收获。虽然与本书的作者素不相识、从未谋面，但是在看过书稿之后，我便很乐意并且感觉很荣幸有机会给这本书写序。这是一本与众不同的书。首先，确切地说，这是一本“伴侣书”。类似于咖啡伴侣，这本书是周志华教授的“西瓜书”一一《机器学习》的伴侣书，它还有一个可爱的名字一“南瓜书”。“南瓜书”对“西瓜书”中的公式进行了解析,并补充了必要的推导过程:在推导公式的过程中，有时候需要一些先验知识，作者为此也进行了必要的补充。上述做法对学习机器学习时“知其然”并“知其所以然”非常重要。虽然现在能用一些机器学习工具来实现某个任务的人越来越多了，但是具有机器学习思维且了解其原理，从而能够解决实际问题的能力在工作中更重要，具有这种能力的人也更具有竞争力。其次，这是一本通过开源方式多人协作写成的书。这种多人分工合作、互相校验、开放监督的方式，既保证了书的内容质量，也保证了写作的效率。在我看来，这是一种站在读者角度且非常先进的生产方式，容易给读者带来很好的体验。最后，我想说，这是一本完全根据学习经历编写而成的书。也就是说，这本书完全从读者学习的角度出发，分享了作者在学习中遇到的一些“坑”以及跳过这些“坑”的方法，这对初学者来说是非常宝贵的经验,也特别能够引起他们的共鸣。其实，每个人在学习一门新的课程时...

——引自章节：序（王斌小米AI实验室主任、NLP首席科学家）

由于国内相关资料的匮乏，机器学习算法的公式推导历来都被认为是初学者的“噩梦”。笔者两年前也受到了相同的困扰，但是在笔者师兄的鼓励下，笔者开始尝试做读书笔记，经年累月遂有了编著本书的基本素材，本书就是以笔者拜读周志华老师的《机器学习》(俗称“西瓜书”)时记下的笔记为蓝本编著的。“西瓜书"作为机器学习领域的经典中文著作，已经成为相关从业人员和学习者的必读书目，周老师为了兼顾更多读者，在“西瓜书”中尽可能少地使用数学知课，然而这对笔者这类对公式推导感兴趣的读者来说就颇费思量。为此，便在“西瓜书”的其础上，对其中的重难点公式进行一些补充，具体地说，本书会对“西瓜书”中缺少推导细节的公式补充了详细的推导过程，对不太易懂的公式补充解析。全书的章节编排和“西瓜书”保持一致，共16章，各章中的内容都对应“西瓜书”中相应章节与公式，为了尽可能地降低阅读门槛，本书以本科数学视角编写，所以有本科数学基础的读者，基本都能畅读本书，对于超过本科数学范围的数学知识，本书都会在相应章节附上详细讲解的附注，以及具体的参考文献，读者可以按图索骥，拓展阅读，由于本书主要是对“西瓜书”进行的补充，所以在编写具体章节内容时，默认读者已经阅读过“西瓜书”相应章节。本书需要搭配“西瓜书”一起阅读，在阅读“西瓜书”的过程中，当遇到推导不明日的公式时再来查阅本书，效果最佳。

——引自章节：前言