机器学习导论 pdf下载

　　适合入门学习的机器学习教程，让你全面掌握机器学习的方法和技术。

　　机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，优化机器人的行为以便使用较少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。本书是关于机器学习的内容全面的教科书，其中有些内容在一般的在机器学习导论书中很少介绍。主要内容包括监督学习，贝叶斯决策理论，参数、半参数和非参数方法，多元分析，隐马尔可夫模型，增强学习，核机器，图模型，贝叶斯估计和统计检验。

　　机器学习正在迅速成为计算机科学专业的学生必须掌握的一门技能。本书第3版反映了这种变化，增加了对初学者的支持，包括给出了部分习题的参考答案和补充了实例数据集（提供在线代码）。其他显著的变化包括离群点检测的讨论、感知器和支持向量机的排名算法、矩阵分解和谱方法、距离估计、新的核算法、多层感知器的深度学习和非参数贝叶斯方法。书中对所有学习算法都进行了解释，以便读者可以很容易地将书中的公式转变为计算机程序。本书可以用作高年级本科生和硕士研究生的教材，也可供研究机器学习方法的技术人员参考。

　　埃塞姆·阿培丁（Ethem Alpaydin），土耳其伊斯坦布尔博阿齐奇大学计算机工程系的教授。于1990年在洛桑联邦理工学院获博士学位，先后在美国麻省理工学院和伯克利大学工作和进行博士后研究。Ethem博士主要从事机器学习方面的研究，是剑桥大学《The Computer Journal》杂志编委和Elsevier《Pattern Recognition》杂志的副主编。2001年和2002年，Ethem博士先后获得土耳其科学院青年科学家奖和土耳其科学与技术研究委员会科学奖。

　　本书把机器学习的热门话题（如Tom Mitchell）与概率论基础（如Christopher Bishop）很好地融合在一起。第3版向这个重要和迅速发展领域中的学生和研究者介绍了机器学习的一些新和重要的课题（例如，谱方法、深度学习和学习排名）。

　　—— John W. Sheppard　蒙大拿州立大学计算机科学教授

　　我已经在机器学习的研究生课程中使用本书多年。这本书很好地平衡了理论和实践，并且在第3版中扩充了许多新的先进算法。我期待在我的下一次机器学习课程中使用它。

　　—— Larry Holder　华盛顿州立大学电子工程和计算机科学教授

　　对于机器学习而言，这是一本完整、易读的机器学习导论，是这个快速演变学科的“瑞士军刀”。尽管本书旨在作为导论，但是它不仅对于学生，而且对于寻求这一领域综合教程的专家也是有用的。新人会从中找到清晰解释的概念，专家会从中发现新的参考和灵感。

　　—— Hilario Gómez-Moreno　IEEE高级会员

出版者的话

译者序

前言

符号说明

第1章引言1

1.1什么是机器学习1

1.2机器学习的应用实例2

1.2.1学习关联性2

1.2.2分类3

1.2.3回归5

1.2.4非监督学习6

1.2.5增强学习7

1.3注释8

1.4相关资源10

1.5习题11

1.6参考文献12

第2章监督学习13

2.1由实例学习类13

2.2VC维16

2.3概率近似正确学习16

2.4噪声17

2.5学习多类18

2.6回归19

2.7模型选择与泛化21

2.8监督机器学习算法的维23

2.9注释24

2.10习题25

2.11参考文献26

第3章贝叶斯决策理论27

3.1引言27

3.2分类28

3.3损失与风险29

3.4判别式函数30

3.5关联规则31

3.6注释33

3.7习题33

3.8参考文献36

第4章参数方法37

4.1引言37

4.2最大似然估计37

4.2.1伯努利密度38

4.2.2多项式密度38

4.2.3高斯（正态）密度39

4.3评价估计：偏倚和方差39

4.4贝叶斯估计40

4.5参数分类42

4.6回归44

4.7调整模型的复杂度：偏倚/方差两难选择46

4.8模型选择过程49

4.9注释51

4.10习题51

4.11参考文献53

第5章多元方法54

5.1多元数据54

5.2参数估计54

5.3缺失值估计55

5.4多元正态分布56

5.5多元分类57

5.6调整复杂度61

5.7离散特征62

5.8多元回归63

5.9注释64

5.10习题64

5.11参考文献66

第6章维度归约67

6.1引言67

6.2子集选择67

6.3主成分分析70

6.4特征嵌入74

6.5因子分析75

6.6奇异值分解与矩阵分解78

6.7多维定标79

6.8线性判别分析82

6.9典范相关分析85

6.10等距特征映射86

6.11局部线性嵌入87

6.12拉普拉斯特征映射89

6.13注释90

6.14习题91

6.15参考文献92

第7章聚类94

7.1引言94

7.2混合密度94

7.3k均值聚类95

7.4期望最大化算法98

7.5潜在变量混合模型100

7.6聚类后的监督学习101

7.7谱聚类102

7.8层次聚类103

7.9选择簇个数104

7.10注释104

7.11习题105

7.12参考文献106

第8章非参数方法107

8.1引言107

8.2非参数密度估计108

8.2.1直方图估计108

8.2.2核估计109

8.2.3k最近邻估计110

8.3推广到多变元数据111

8.4非参数分类112

8.5精简的最近邻112

8.6基于距离的分类113

8.7离群点检测115

8.8非参数回归：光滑模型116

8.8.1移动均值光滑116

8.8.2核光滑117

8.8.3移动线光滑119

8.9如何选择光滑参数119

8.10注释120

8.11习题121

8.12参考文献122

第9章决策树124

9.1引言124

9.2单变量树125

9.2.1分类树125

9.2.2回归树128

9.3剪枝130

9.4由决策树提取规则131

9.5由数据学习规则132

9.6多变量树134

9.7注释135

9.8习题137

9.9参考文献138

第10章线性判别式139

10.1引言139

10.2推广线性模型140

10.3线性判别式的几何意义140

10.3.1两类问题140

10.3.2多类问题141

10.4逐对分离142

10.5参数判别式的进一步讨论143

10.6梯度下降144

10.7逻辑斯谛判别式145

10.7.1两类问题145

10.7.2多类问题147

10.8回归判别式150

10.9学习排名151

10.10注释152

10.11习题152

10.12参考文献154

第11章多层感知器155

11.1引言155

11.1.1理解人脑155

11.1.2神经网络作为并行处理的典范156

11.2感知器157

11.3训练感知器159

11.4学习布尔函数160

11.5多层感知器161

11.6作为普适近似的MLP162

11.7向后传播算法163

11.7.1非线性回归163

11.7.2两类判别式166

11.7.3多类判别式166

11.7.4多个隐藏层167

11.8训练过程167

11.8.1改善收敛性167

11.8.2过分训练168

11.8.3构造网络169

11.8.4线索169

11.9调整网络规模170

11.10学习的贝叶斯观点172

11.11维度归约173

11.12学习时间174

11.12.1时间延迟神经网络175

11.12.2递归网络175

11.13深度学习176

11.14注释177

11.15习题178

11.16参考文献180

第12章局部模型182

12.1引言182

12.2竞争学习182

12.2.1在线k均值182

12.2.2自适应共鸣理论184

12.2.3自组织映射185

12.3径向基函数186

12.4结合基于规则的知识189

12.5规范化基函数190

12.6竞争的基函数191

12.7学习向量量化193

12.8混合专家模型193

12.8.1协同专家模型194

12.8.2竞争专家模型195

12.9层次混合专家模型195

12.10注释196

12.11习题196

12.12参考文献198

第13章核机器200

13.1引言200

13.2最佳分离超平面201

13.3不可分情况：软边缘超平面203

13.4vSVM205

13.5核技巧205

13.6向量核206

13.7定义核207

13.8多核学习208

13.9多类核机器209

13.10用于回归的核机器210

13.11用于排名的核机器212

13.12一类核机器213

13.13大边缘最近邻分类215

13.14核维度归约216

13.15注释217

13.16习题217

13.17参考文献218

第14章图方法221

14.1引言221

14.2条件独立的典型情况222

14.3生成模型226

14.4d分离227

14.5信念传播228

14.5.1链228

14.5.2树229

14.5.3多树230

14.5.4结树232

14.6无向图：马尔科夫随机场232

14.7学习图模型的结构234

14.8影响图234

14.9注释234

14.10习题235

14.11参考文献237

第15章隐马尔科夫模型238

15.1引言238

15.2离散马尔科夫过程238

15.3隐马尔科夫模型240

15.4HMM的三个基本问题241

15.5估值问题241

15.6寻找状态序列244

15.7学习模型参数245

15.8连续观测247

15.9HMM作为图模型248

15.10HMM中的模型选择250

15.11注释251

15.12习题252

15.13参考文献254

第16章贝叶斯估计255

16.1引言255

16.2离散分布的参数的贝叶斯估计257

16.2.1K>2个状态：狄利克雷分布257

16.2.2K=2个状态:贝塔分布258

16.3高斯分布的参数的贝叶斯估计258

16.3.1一元情况：未知均值，已知方差258

16.3.2一元情况:未知均值,未知方差259

16.3.3多元情况:未知均值,未知协方差260

16.4函数的参数的贝叶斯估计261

16.4.1回归261

16.4.2具有噪声精度先验的回归264

16.4.3基或核函数的使用265

16.4.4贝叶斯分类266

16.5选择先验268

16.6贝叶斯模型比较268

16.7混合模型的贝叶斯估计270

16.8非参数贝叶斯建模272

16.9高斯过程272

16.10狄利克雷过程和中国餐馆275

16.11本征狄利克雷分配276

16.12贝塔过程和印度自助餐277

16.13注释278

16.14习题278

16.15参考文献279

第17章组合多学习器280

17.1基本原理280

17.2产生有差异的学习器280

17.3模型组合方案282

17.4投票法282

17.5纠错输出码285

17.6装袋286

17.7提升287

17.8重温混合专家模型288

17.9层叠泛化289

17.10调整系综290

17.10.1选择系综的子集290

17.10.2构建元学习器290

17.11级联291

17.12注释292

17.13习题293

17.14参考文献294

第18章增强学习297

18.1引言297

18.2单状态情况：K臂赌博机问题298

18.3增强学习的要素299

18.4基于模型的学习300

18.4.1价值迭代300

18.4.2策略迭代301

18.5时间差分学习301

18.5.1探索策略301

18.5.2确定性奖励和动作302

18.5.3非确定性奖励和动作303

18.5.4资格迹304

18.6推广305

18.7部分可观测状态306

18.7.1场景306

18.7.2例子：老虎问题307

18.8注释310

18.9习题311

18.10参考文献312

第19章机器学习实验的设计与分析314

19.1引言314

19.2因素、响应和实验策略315

19.3响应面设计317

19.4随机化、重复和阻止317

19.5机器学习实验指南318

19.6交叉验证和再抽样方法320

19.6.1K折交叉验证320

19.6.25×2交叉验证320

19.6.3自助法321

19.7度量分类器的性能321

19.8区间估计324

19.9假设检验326

19.10评估分类算法的性能327

19.10.1二项检验327

19.10.2近似正态检验328

19.10.3t检验328

19.11比较两个分类算法329

19.11.1McNemar检验329

19.11.2K折交叉验证配对t检验329

19.11.35×2交叉验证配对t检验330

19.11.45×2交叉验证配对F检验330

19.12比较多个算法：方差分析331

19.13在多个数据集上比较333

19.13.1比较两个算法334

19.13.2比较多个算法335

19.14多元检验336

19.14.1比较两个算法336

19.14.2比较多个算法337

19.15注释338

19.16习题339

19.17参考文献340

附录A概率论341

索引348

　　前言Introduction to Machine Learning，Third Edition机器学习肯定是计算机科学成长最快的领域之一。不仅数据在持续变“大”，而且处理数据并将它转换成知识的理论也在不断发展。在科学的各个领域，从天文学到生物学，以及在日常生活中，随着数字技术日益渗透到我们的日常生活中，随着数字足迹的深入，更多的数据被源源不断地产生和收集。无论是科学的还是个人的，被动蛰伏的数据没有任何用处，而聪明的人们一直在寻找新的方法来利用数据，把它转换成有用的产品或服务。在这种转换中，机器学习正发挥着越来越大的作用。

　　自从本书第2版2010年面世以来，数据进化一直在持续，甚至更快。每年，数据集都在变大。不仅观测的数量在增长，而且观测属性的数量也在显著增加。数据有了更多的结构：不再仅仅是数和字符串，而且还有图像、视频、音频、文档、网页、点击日志、图等。数据与我们以前常做的参数假设（例如正态性）渐行渐远。数据常常是动态的，因而存在一个时间维度。有时，我们的观测是多视图的——对于相同的对象或事件，我们有来自不同传感器和不同模式的多个信息源。

　　我们相信，在这看似复杂和庞大的数据背后存在简单的解释。虽然数据很大，但是它可以使用具有少量隐藏因子及其相互作用的相对简单的模型来解释。想想数百万客户，他们每天在线或从当地超市购买数千种产品。这意味着一个非常大的交易数据库，但是该数据存在模式。没有人随机购物。举办酒会的人购买产品的某个子集，家有婴儿的人购买产品的不同子集；存在解释客户行为的隐藏因子。

　　从观测数据推断这种隐藏模型是近年来已经做了大量研究的领域之一。新版中的修改大部分都与这些进展有关。第6章新增了关于特征嵌入、奇异值分解和矩阵分解、典范相关分析、拉普拉斯特征映射的内容。

　　第8章和关于核机器的第13章新增了关于距离估计的内容。维度归约、特征提取和距离估计是同一个东西的三个名称——理想的距离度量定义在理想的隐藏特征的空间中，而从数量上看，它们少于我们观测的值。

　　重写并显著扩充了第16章，以便涵盖生成模型。我们对所有主要的机器学习模型，即对分类、回归、混合模型和维度归约，讨论贝叶斯方法。非参数贝叶斯建模在过去的几年中日益流行，尤其令人感兴趣，因为它允许调整模型的复杂度，以适应数据的复杂度。

　　新版各处新增了一些章节，主要是突出相同或非常类似方法的新的不同应用。第8章新增了一节离群点检测。第10和13章新增两节，分别讨论用于排名的线性模型和核机器。拉普拉斯特征映射添加到第6章，还在第7章新增一节讨论谱聚类。鉴于深度神经网络的最近复苏，有必要在第11章新增一节讨论深度学习。第19章新增一节讨论方法比较的多元检验。

　　自第1版面世以来，许多使用本书自学的读者提出索取习题答案的请求。在这个新的版本中，已经包括了部分习题的答案。它们有时是完整的答案，有时只是一个提示，或只提供多种可能答案中的一种。

　　我要感谢使用前两版的所有老师和学生，以及它们的德文、中文和土耳其文翻译和在印度的重印。我永远感激那些发给我评价、批评、勘误，或以任何其他方式提供反馈的人。请继续这样做。