机器学习及其应用(英文版) 电子工业出版社 下载 pdf 百度网盘 epub 免费 2025 电子书 mobi 在线

本书综合探讨了机器学习的理论基础，为读者提供了使用机器学习技术解决现实问题所需的知识。具体内容包括如何概念化问题、准确表示数据、选择和调整算法、解释和分析结果以及做出合理的决策，采用非严格意义的数学进行阐述，涵盖了一系列广泛的机器学习主题，并特别强调了一些有益的方法，如监督学习、统计学习、使用支持向量机（SVM）学习、使用神经网络（NN）学习、模糊推理系统、数据聚类、数据变换、决策树学习、商业智能、数据挖掘，等等。

1. Introduction 引言 1

1.1 Towards Intelligent Machines 走向智能机器 1

1.2 Well-Posed Machine Learning Problems 适定的机器学习问题 5

1.3 Examples of Applications in Diverse Fields 不同领域的应用实例 7

1.4 Data Representation 数据表示 12

1.4.1 Time Series Forecasting 时间序列预测 15

1.4.2 Datasets for Toy (Unreastically Simple) and Realistic Problems

初级问题和现实问题数据集 17

1.5 Domain Knowledge for Productive use of Machine Learning

使机器学习有效应用的领域知识 18

1.6 Diversity of Data: Structured/Unstructured 数据多样性：结构化/非结构化 20

1.7 Forms of Learning 学习形式 21

1.7.1 Supervised/Directed Learning 监督/指导学习 21

1.7.2 Unsupervised/Undirected Learning 非监督/无指导学习 22

1.7.3 Reinforcement Learning 强化学习 22

1.7.4 Learning Based on Natural Processes: Evolution, Swarming, and Immune Systems基于自然处理的学习：进化、集群和免疫系统 23

1.8 Machine Learning and Data Mining 机器学习和数据挖掘 25

1.9 Basic Linear Algebra in Machine Learning Techniques机器学习技术中的基础线性代数 26

1.10 Relevant Resources for Machine Learning 机器学习的相关资源 34

2. Supervised Learning: Rationale and Basics 监督学习：基本原理和基础 36

2.1 Learning from Observations 从观测中学习 36

2.2 Bias and Variance 偏差和方差 42

2.3 Why Learning Works: Computational Learning Theory学习为什么有效：计算学习理论 46

2.4 Occam’s Razor Principle and Overfitting Avoidance奥卡姆剃刀原理和防止过拟合 49

2.5 Heuristic Search in Inductive Learning 归纳学习中的启发式搜索 51

2.5.1 Search through Hypothesis Space 假设空间搜索 52

2.5.2 Ensemble Learning 集成学习 53

2.5.3 Evaluation of a Learning System 学习系统的评价 55

2.6 Estimating Generalization Errors 估计泛化误差 56

2.6.1 Holdout Method and Random Subsampling 留出法和随机下采样 56

2.6.2 Cross-validation 交叉验证 57

2.6.3 Bootstrapping 自助法 58

2.7 Metrics for Assessing Regression (Numeric Prediction) Accuracy评价回归（数值预测）精度的指标 59

2.7.1 Mean Square Error 均方误差 60

2.7.2 Mean Absolute Error 平均绝对误差 60

2.8 Metrics for Assessing Classification (Pattern Recognition) Accuracy评价分类（模式识别）精度的指标 61

2.8.1 Misclassification Error 误分类误差 61

2.8.2 Confusion Matrix 混淆矩阵 62

2.8.3 Comparing Classifiers Based on ROC Curves 基于ROC曲线的分类器比较 66

2.9 An Overview of the Design Cycle and Issues in Machine Learning机器学习中的设计周期和问题概述 68

3. Statistical Learning 统计学习 73

3.1 Machine Learning and Inferential Statistical Analysis 机器学习与推断统计分析 73

3.2 Deive Statistics in Learning Techniques 学习技术中的描述统计学 74

3.2.1 Representing Uncertainties in Data: Probability Distributions表示数据中的不确定性：概率分布 75

3.2.2 Deive Measures of Probability Distributions 概率分布的描述方法 80

3.2.3 Deive Measures from Data Sample 数据样本的描述方法 83

3.2.4 Normal Distributions 正态分布 84

3.2.5 Data Similarity 数据相似性 85

3.3 Bayesian Reasoning: A Probabilistic Approach to Inference贝叶斯推理：推断的概率方法 87

3.3.1 Bayes Theorem 贝叶斯定理 88

3.3.2 Naive Bayes Classifier 朴素贝叶斯分类器 93

3.3.3 Bayesian Belief Networks 贝叶斯信念网络 98

3.4 k-Nearest Neighbor (k-NN) Classifier k近邻（k-NN）分类器 102

3.5 Discriminant Functions and Regression Functions 判别函数和回归函数 106

3.5.1 Classification and Discriminant Functions 分类和判别函数 107

3.5.2 Numeric Prediction and Regression Functions 数值预测和回归函数 108

3.5.3 Practical Hypothesis Functions 实践应用中的假设函数 109

3.6 Linear Regression with Least Square Error Criterion基于最小二乘误差准则的线性回归法 112

3.6.1 Minimal Sum-of-Error-Squares and the Pseudoinverse 最小误差平方和与伪逆 113

3.6.2 Gradient Descent Optimization Schemes 梯度下降法优化方案 115

3.6.3 Least Mean Square (LMS) Algorithm 最小均方（LMS）算法 115

3.7 Logistic Regression for Classification Tasks 分类任务的逻辑回归法 116

3.8 Fisher’s Linear Discriminant and Thresholding for ClassificationFisher线性判别和分类阈值 120

3.8.1 Fisher’s Linear Discriminant Fisher线性判别式 120

3.8.2 Thresholding 阈值 125

3.9 Minimum Deion Length Principle 最小描述长度原理 126

3.9.1 Bayesian Perspective 贝叶斯角度 127

3.9.2 Entropy and Information 熵和信息 128

4. Learning With Support Vector Machines (SVM) 利用支持向量机（SVM）学习 130

4.1 Introduction 简介 130

4.2 Linear Discriminant Functions for Binary Classification二元分类的线性判别函数 132

4.3 Perceptron Algorithm 感知机算法 136

4.4 Linear Maximal Margin Classifier for Linearly Separable Data线性可分数据的优选边缘线性分类器 141

4.5 Linear Soft Margin Classifier for Overlapping Classes重叠类的软边缘线性分类器 152

4.6 Kernel-Induced Feature Spaces 核函数引导的特征空间 158

4.7 Nonlinear Classifier 非线性分类器 162

4.8 Regression by Support Vector Machines 支持向量机回归 167

4.8.1 Linear Regression 线性回归 169

4.8.2 Nonlinear Regression 非线性回归 172

4.9 Decomposing Multiclass Classification Problem Into Binary Classification Tasks将多类分类问题分解为二元分类任务 174

4.9.1 One-Against-All (OAA) 一对所有（OAA） 175

4.9.2 One-Against-One (OAO) 一对一（OAO） 176

4.10 Variants of Basic SVM Techniques 基础支持向量机技术的变体 177

5. Learning With Neural Networks (NN) 利用神经网络（NN）学习 181

5.1 Towards Cognitive Machine 走向认知机器 181

5.1.1 From Perceptrons to Deep Networks 从感知机到深度网络 182

5.2 Neuron Models 神经元模型 184

5.2.1 Biological Neuron 生物神经元 184

5.2.2 Artificial Neuron 人工神经元 186

5.2.3 Mathmatical Model 数学模型 190

5.3 Network Architectures 网络架构 193

5.3.1 Feedforward Networks 前馈网络 194

5.3.2 Recurrent Networks 循环网络 199

5.4 Perceptrons 感知机 200

5.4.1 Limitations of Perceptron Algorithm for Linear Classification Tasks线性分类任务采用感知机算法的局限性 201

5.4.2 Linear Classification using Regression Techniques使用回归技术的线性分类 201

5.4.3 Standard Gradient Descent Optimization Scheme: Steepest Descent标准梯度下降法优化方案：最速下降法 203

5.5 Linear Neuron and the Widrow-Hoff Learning Rule线性神经元与Widrow-Hoff学习规则 206

5.5.1 Stochastic Gradient Descent 随机梯度下降法 207

5.6 The Error-Correction Delta Rule 纠错Delta法则 208

5.6.1 Sigmoid Unit: Soft-Limiting Perceptron Sigmoid单元：软感知机 211

5.7 Multi-Layer Perceptron (MLP) Networks and the Error-Backpropagation Algorithm多层感知机网络及误差反向传播算法 213

5.7.1 The Generalized Delta Rule 广义Delta法则 216

5.7.2 Convergence and Local Minima 收敛性和局部极小值 226

5.7.3 Adding Momentum to Gradient Descent 为梯度下降法加入动量 227

5.7.4 Heuristic Aspects of the Error-backpropagation Algorithm误差反向传播算法的启发性 228

5.8 Multi-Class Discrimination with MLP Networks 使用MLP网络的多类判别 232

5.9 Radial Basis Functions (RBF) Networks 径向基函数（RBF）网络 235

5.9.1 Training the RBF Network 训练RBF网络 239

5.10 Genetic-Neural Systems 遗传-神经系统 241

6. Fuzzy Inference Systems 模糊推理系统 245

6.1 Introduction 简介 245

6.2 Cognitive Uncertainty and Fuzzy Rule-Base 认知不确定性和模糊规则库 248

6.3 Fuzzy Quantification of Knowledge 知识的模糊量化 253

6.3.1 Fuzzy Logic 模糊逻辑 253

6.3.2 Fuzzy Sets 模糊集 257

6.3.3 Fuzzy Set Operations 模糊集运算 267

6.3.4 Fuzzy Relations 模糊关系 268

6.4 Fuzzy Rule-Base and Approximate Reasoning 模糊规则库与近似推理 277

6.4.1 Quantification of Rules via Fuzzy Relations 通过模糊关系量化规则 281

6.4.2 Fuzzification of Input 输入的模糊化 283

6.4.3 Inference Mechanism 推理机制 284

6.4.4 Defuzzification of Inferred Fuzzy Set 推理模糊集的解模糊 298

6.5 Mamdani Model for Fuzzy Inference Systems 模糊推理系统的Mamdani模型 301

6.5.1 Mobile Robot Navigation Among Moving Obstacles移动障碍物环境下的移动机器人导航 303

6.5.2 Mortgage Loan Assessment 抵押贷款评估 308

6.6 Takagi-Sugeno Fuzzy Model Takagi-Sugeno模糊模型 311

6.7 Neuro-Fuzzy Inference Systems 神经模糊推理系统 317

6.7.1 ANFIS Architecture ANFIS结构 318

6.7.2 How Does an ANFIS Learn? ANFIS如何学习 320

6.8 Gentic-Fuzzy Systems 遗传模糊系统 324

7. Data Clustering and Data Transformations 数据聚类和数据变换 328

7.1 Unsupervised Learning 非监督学习 328

7.1.1 Clustering 聚类 329

7.2 Engineering the Data 数据工程 331

7.2.1 Exploratory Data Analysis: Learning about What is in the Data探索数据分析：了解数据中的内容 333

7.2.2 Cluster Analysis: Finding Similarities in the Data聚类分析：发现数据间的相似性 334

7.2.3 Data Transformations: Enhancing the Information Content of the Data数据变换：提高数据的信息量 339

7.3 Overview of Basic Clustering Methods 基本聚类方法概述 341

7.3.1 Partitional Clustering 划分聚类 341

7.3.2 Hierarchical Clustering 层次聚类 344

7.3.3 Spectral Clustering 谱聚类 345

7.3.4 Clustering using Self-Organizing Maps 自组织映射聚类 349

7.4 K-Means Clustering K均值聚类 352

7.5 Fuzzy K-Means Clustering 模糊K均值聚类 356

7.6 Expectation-Maximization (EM) Algorithm and Gaussian Mixtures Clustering期望优选化（EM）算法和高斯混合聚类 362

7.6.1 EM Algorithm EM算法 362

7.6.2 Gaussian Mixture Models 高斯混合模型 365

7.7 Some Useful Data Transformations 一些有用的数据变换 372

7.7.1 Data Cleansing 数据清洗 372

7.7.2 Derived Attributes 衍生属性 374

7.7.3 Discretizing Numeric Attributes 离散化数值属性 375

7.7.4 Attribute Reduction Techniques 属性约简技术 377

7.8 Entropy-Based Method for Attribute Discretization 基于熵的属性离散化方法 377

7.9 Principal Components Analysis (PCA) for Attribute Reduction用于属性约简的主成分分析（PCA） 382

7.10 Rough Sets-Based Methods for Attribute Reduction 基于粗糙集的属性约简方法 390

7.10.1 Rough Set Preliminaries 粗糙集准备 392

7.10.2 Analysis of Relevance of Attributes 属性相关性分析 397

7.10.3 Reduction of Attributes 约简属性 399

8. Decision Tree Learning 决策树学习 404

8.1 Introduction 简介 404

8.2 Example of a Classification Decision Tree 分类决策树示例 406

8.3 Measures of Impurity for Evaluating Splits in Decision Trees评价决策树分裂的不纯度度量 411

8.3.1 Information Gain/Entropy reduction 信息增益/熵减少 411

8.3.2 Gain Ratio 增益率 416

8.3.3 Gini Index 基尼指数 417

8.4 ID3, C4.5, and CART Decision Trees ID3, C4.5与CART决策树 418

8.5 Pruning the Tree 剪枝 427

8.6 Strengths and Weaknesses of Decision-Tree Approach 决策树方法的优缺点 429

8.7 Fuzzy Decision Trees 模糊决策树 433

9. Business Intelligence and Data Mining: Techniques and Applications商业智能和数据挖掘：技术与应用 445

9.1 An Introduction to Analytics 分析简介 445

9.1.1 Machine Learning, Data Mining, and Predictive Analytics机器学习、数据挖掘和预测分析 448

9.1.2 Basic Analytics Techniques 基本分析技术 449

9.2 The CRISP-DM (Cross Industry Standard Process for Data Mining) Model

CRISP-DM（数据挖掘跨行业标准流程）模型 451

9.3 Data Warehousing and Online Analytical Processing 数据仓库和联机分析处理 456

9.3.1 Basic Concepts 基本概念 456

9.3.2 Databases 数据库 458

9.3.3 Data Warehousing: A General Architecture, and OLAP Operations数据仓库：通用架构和OLAP操作 461

9.3.4 Data Mining in the Data Warehouse Environment数据仓库环境中的数据挖掘 466

9.4 Mining Frequent Patterns and Association Rules 挖掘频繁模式和关联规则 467

9.4.1 Basic Concepts 基本概念 469

9.4.2 Measures of Strength of Frequent Patterns and Association Rules频繁模式和关联规则的强度的度量 471

9.4.3 Frequent Item Set Mining Methods 频繁项集挖掘方法 473

9.4.4 Generating Association Rules from Frequent Itemsets从频繁项集生成关联规则 477

9.5 Intelligent Information Retrieval Systems 智能信息检索系统 479

9.5.1 Text Retrieval 文本检索 483

9.5.2 Image Retrieval 图像检索 486

9.5.3 Audio Retrieval 音频检索 488

9.6 Applications and Trends 应用和趋势 490

9.6.1 Data Mining Applications 数据挖掘应用 490

9.6.2 Data Mining Trends 数据挖掘趋势 495

9.7 Technologies for Big Data 大数据技术 498

9.7.1 Emerging Analytic Methods 新兴分析方法 500

9.7.2 Emerging Technologies for Higher Levels of Scalability用于更高层次可扩展性的新兴技术 503

Appendix A Genetic Algorithm (GA) For Search Optimization搜索优化的遗传算法（GA） 508

A.1 A Simple Overview of Genetics 遗传学的简单概述 510

A.2 Genetics on Computers 计算机遗传学 511

A.3 The Basic Genetic Algorithm 基本遗传算法 515

A.4 Beyond the Basic Genetic Algorithm 超越基本遗传算法 524

Appendix B Reinforcement Learning (RL) 强化学习（RL） 527

B.1 Introduction 简介 527

B.2 Elements of Reinforcement Learning 强化学习的要素 530

B.3 Basics of Dynamic Programming 动态编程基础 535

B.3.1 Finding Optimal Policies 寻找很优策略 538

B.3.2 Value Iteration 值迭代 539

B.3.3 Policy Iteration 策略迭代 540

B.4 Temporal Difference Learning 时间差分学习 542

B.4.1 Q-learning Q-学习 544

B.4.2 Generalization 归纳 546

B.4.3 Sarsa-learning SARSA学习 548

Datasets from Real-Life Applications for Machine Learning Experiments机器学习实验的实际应用数据集 549

Problems 习题 567

References 参考文献 613

Index 索引 623

M. Gopal曾任印度理工学院德里分校教授，是一位很好的作者、教师和研究员，还是一位享誉优选的院士。他是Control Engineering等5本书的作者或合著者，其著作被译为多国语言，在世界范围广泛使用。他在YouTube上的视频课程是印度理工学院很受欢迎的课程之一。Gopal教授是机器学习领域的知名研究者，著有150多篇研究论文，部分发表在高影响因子的期刊上。他目前的研究兴趣在机器学习和智能控制领域。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：机器学习及其应用(英文版) 电子工业出版社在线阅读

在线听书地址：机器学习及其应用(英文版) 电子工业出版社在线收听

在线购买地址：机器学习及其应用(英文版) 电子工业出版社在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

"本书适合作为高等院校计算机、电子信息等专业的机器学习方面的本科生高年级或研究生的双语课程的教材，也可以作为相关领域工程技术人员学习机器学习理论并进行应用的参考书。

提供解决实际问题的应用实例；"

书籍介绍

本书综合探讨了机器学习的理论基础，为读者提供了使用机器学习技术解决现实问题所需的知识。具体内容包括如何概念化问题、准确表示数据、选择和调整算法、解释和分析结果以及做出合理的决策，采用非严格意义的数学进行阐述，涵盖了一系列广泛的机器学习主题，并特别强调了一些有益的方法，如监督学习、统计学习、使用支持向量机（SVM）学习、使用神经网络（NN）学习、模糊推理系统、数据聚类、数据变换、决策树学习、商业智能、数据挖掘，等等。