精通机器学习算法 pdf下载

本书结构清晰，理论详细、深入，便于读者理解和使用算法。

本书结构清晰，理论详细、深入，便于读者理解和使用算法。

　　《精通机器学习算法》将数学理论与实例相结合，这些实例以先进的通用机器学习框架为基础，由Python实现，向读者介绍更复杂的算法。全书共25章，包括机器学习模型基础、损失函数和正则化、半监督学习导论、高级半监督分类、基于图的半监督学习、聚类和无监督学习模型、高级聚类和无监督学习模型、面向营销的聚类和无监督学习模型、广义线性模型和回归、时序分析导论、贝叶斯网络和隐马尔可夫模型、成分分析和降维、赫布学习、集成学习基础、高级提升算法、神经网络建模、神经网络优化、深度卷积网络、循环神经网络、自编码器、生成对抗网络导论、深度置信网络、强化学习导论和高级策略估计算法。
　　《精通机器学习算法》适合深入了解复杂机器学习算法、模型校准，以及改善训练模型预测效果的数据科学专业人员和机器学习工程师。

Giuseppe Bonaccorso 是位经验丰富的数据科学管理者，在机器学习、深度学习方面具备深厚的专业知识。2005 年获得意大利卡塔尼亚大学电子工程专业硕士学位后，Giuseppe 继续在意大利罗马第二大学和英国埃塞克斯大学从事MBA 研究工作。Giuseppe 的主要研究兴趣包括机器学习、深度学习、数据科学策略和医疗健康产业的数字化创新。

　　近年来，机器学习成为大多数行业的重要研究领域。一些曾经被认为无法自动化的工作现在已经完全可以由计算机胜任，这使得人们可以专注于更富有创造性的事务。这场革命之所以能够取得成功，得益于标准算法的显著改进，也得益于硬件价格的持续降低。仅仅在十年前还是巨大障碍的复杂性问题，如今单凭一台个人计算机（PC）就能得到解决。高水平的开源框架唾手可得，使得人们能够设计和训练出极具效力的模型。
　　本书将数学理论与实例相结合，这些实例以最先进的通用机器学习框架为基础，由Python实现，向读者介绍更复杂的算法，例如半监督学习算法、流形学习算法、概率模型以及神经网络等。著者本着务实的态度，聚焦应用实践但也不脱离理论基础。机器学习领域的知识坚实深厚，只能通过理解基础逻辑才能更好地掌握，而这种逻辑往往采用数学概念来表示。只有加倍努力，才能换来对每一个具体算法更为深刻的认识，帮助读者更好地理解在具体的业务场景如何应用、修正、改进各种机器学习算法。
　　机器学习是一个范围非常宽广的领域，本书不可能涵盖所有内容。尽管如此，著者还是尽可能多地选择了一些与监督学习、半监督学习、无监督学习和强化学习相关的算法，还提供了进一步拓展理解这些算法所需的所有参考资料。选用的相关实例也务求简单易懂，而读者不至于被绕进具体的程序代码之中。其实，著者认为，提供一些通用的实例，然后读者优化改进以解决具体场景问题，才是更为重要的。著者也要对书中可能的错误表示歉意，虽然经过了反复多次的修订，一些细节内容（包括公式和代码）仍然可能会百密一疏。
　　相较第一版，本书提高了某些难点内容的可读性，并采用了可用框架的最新版本（例如TensorFlow 2.0）。鉴于著述工作非常繁杂，虽然著者和所有编辑都尽力而为了，但仍有可能存在不周密和错误之处。
　　本书是著者在其生涯的一个特殊时期完成的。著者将此书献给他的父亲。著者的父亲是位艺术家和艺术教授，一直给予著者引领指导，教诲著者既要科学严谨又要具有艺术想象。数据科学需要创造性，反过来，创造性也能在数据科学中寻觅到肥沃的土壤！
　　本书对象读者
　　本书对象读者是希望深入了解复杂机器学习算法、模型校准以及改善训练模型预测效果的数据科学专业人员和机器学习工程师。本书对他们而言是有价值的理论和实践内容来源。为了更好地掌握和利用这本专业指南，需要具备机器学习的基础知识。同时，考虑到书中某些专题的复杂性，也需要具有较好的数学背景知识。
　　本书内容
　　第1章，机器学习模型基础，阐明机器学习模型最重要的理论概念，包括偏差、方差、过拟合、欠拟合、数据归一化和缩放。
　　第2章，损失函数和正则化，进一步解释损失函数相关的基本概念并讨论各种损失函数的特性和应用。本章还介绍正则化，这是大多数监督学习方法的基础。
　　第3章，半监督学习导论，介绍半监督学习的主要元素，讨论主要的假设，重点介绍生成式算法、自训练算法和协同训练算法。
　　第4章，高级半监督分类，讨论最重要的归纳型和直推型半监督分类方法。这些方法克服了第3章中介绍的简单算法的局限性。
　　第5章，基于图的半监督学习，继续介绍属于图学习和流形学习模型类别的半监督学习算法。从不同角度分析标签传播算法和非线性降维方法，介绍几个利用scikit-learn功能便可实现的有效解决方案。
　　第6章，聚类和无监督学习模型，介绍常见的重要的无监督学习算法，包括k近邻算法（基于k-d树和球树）和k均值法（附带k-means++初始化）。本章也讨论一些可用于评价聚类结果的重要度量指标。
　　第7章，高级聚类和无监督学习模型，继续讨论更复杂的聚类算法，包括谱聚类、DBSCAN和模糊聚类。这些算法可以解决简单算法无法解决的问题。
　　第8章，面向营销的聚类和无监督学习模型，介绍双聚类概念。双聚类可用于营销推荐系统的开发。本章也介绍Apriori算法，可以处理超大规模交易数据库，完成购物篮分析。
　　第9章，广义线性模型和回归，讨论广义线性模型的主要概念以及几种回归分析方法，包括正则化回归、保序回归、多项式回归和逻辑回归。
　　第10章，时序分析导论，介绍时序分析的主要概念，重点是随机过程特性以及能完成有效预测的基本模型（AR、MA、ARMA和ARIMA）。
　　第11章，贝叶斯网络和隐马尔可夫模型，介绍利用有向无环图、马尔可夫链和有序过程的概率建模概念。本章重点介绍PyStan工具和可用于时态序列建模的HMM算法。
　　第12章，最大期望算法，阐明最大期望算法的一般结构，讨论一些一般性应用，例如通用参数估计、MAP和MLE方法，以及高斯混合模型。
　　第13章，成分分析和降维，介绍主成分分析法、因子分析法和独立成分分析法的主要概念。这些工具可以完成有效的多种数据集的成分分析，如有必要，也可以完成信息损失可控的降维。