文末送書|終於等到你!“西瓜書”《機器學習》官方配套習題集重磅出版

作為人工智慧領域(AI)中文教材扛鼎之作,南京大學周志華教授所著的《機器學習》幫助無數AI從業者理清了機器學習的基本原理。在書中,周志華解釋機器學習基本術語和問題時,貫穿全書用西瓜進行比喻講解,因此該書也被讀者們暱稱為“西瓜書”。
近日,機械工業出版社攜手南京大學人工智慧學院推出《《機器學習》習題參考》,本書配套周志華教授所著《機器學習》的教學及自學的輔助參考書。
周志華教授撰文推薦
由葉翰嘉和詹德川兩位老師合作的《〈機器學習〉習題參考》(以下簡稱“本書”)是一本配合本人所撰《機器學習》(清華大學出版社於2016年出版,以下采用讀者給予的暱稱“西瓜書”)的教學參考書。
西瓜書於2016年出版後即被用作南京大學計算機系本科課程“機器學習導論”的教材(講授前9章),2018年南京大學成立人工智慧學院後,又被用作人工智慧學院本碩核心必修課的教材(本科講授前10章、研究生講授全書)。八年來在南京大學課堂以西瓜書為教材進行學習的同學已逾3000人,另有海內外五百餘家單位以其為教材進行授課。西瓜書中每章通常提供10道習題,有不少同學希望有更多的習題以供練習。
本書的兩位作者都是南京大學人工智慧學院的優秀青年教師,在機器學習領域有紮實的研究基礎,成果斐然。兩位都先後三輪擔任本人授課的助教,並已開始獨立授課,有較為豐富的教學經驗。本書是對南京大學教學實踐中使用的課程作業的總結和拓展,書中習題試圖從不同角度幫助讀者更好地掌握和鞏固西瓜書中前10章所涉及的主要知識點,並綜合考慮習題的難度和廣度,儘可能兼顧不同讀者的需求。
希望本書的出版能夠輔助讀者加深對機器學習的理解,併為教師授課提供有益的補充材料。
——周志華,南京大學副校長
國際人工智慧聯合會理事會主席、《機器學習》作者
關於本書
  • 本書是“西瓜書”《機器學習》的教學或自學的輔助參考書包含142道習題,題型分為簡答題、計算題和程式設計題,對“西瓜書”中關於基本概念和常用演算法的第1~10章內容進行考查,習題涵蓋不同難度級別,儘可能兼顧不同讀者的學習需求。
  • 本書分為兩部分,共16章。第一部分為“基礎考評篇”,對應“西瓜書”前10章內容,對書中知識點進行循序漸進地探究。第二部分為“綜合應用篇”,考查對“西瓜書”前10章知識點融會貫通的能力。
  • 書中習題均具有詳細解答, 給出了出題的主要思路、所考查的知識要點、其他可能的解法,以及相關知識點的關聯和拓展,並對以往授課過程中發現的易錯點進行了探討。
作者介紹
  • 葉翰嘉 南京大學人工智慧學院副教授、博士生導師。從事機器學習領域研究工作,入選全國高校計算機專業優秀教師獎勵計劃,獲中國計算機學會優秀博士學位論文獎等榮譽。
  • 詹德川 南京大學人工智慧學院教授、博士生導師,南京大學科研院副院長。主要研究方向為機器學習、人工智慧,入選全國高校計算機專業優秀教師獎勵計劃,獲江蘇省科學技術一等獎等榮譽。
內容簡介
本書配套周志華教授所著的《機器學習》教材,透過大量習題考查讀者對機器學習相關知識點的理解與掌握。全書分為兩個部分:
第一部分習題對應《機器學習》第1~10章的內容,包括緒論、模型評估與選擇、線性模型、決策樹、神經網路、支援向量機、貝葉斯分類器、整合學習、聚類、降維與度量學習;
第二部分包含6章應用專題,透過綜合題的形式對知識點進行多角度考查,包括線性模型的最佳化與複用、面向類別不平衡資料的分類、神經網路的最佳化與應用、EM演算法及其應用、整合學習的過擬合現象研究、度量學習及其應用。
書中包含簡答題、計算題和程式設計題,涵蓋不同難度級別,機器學習初學者可以透過這些習題深入瞭解和鞏固教材的關鍵概念,對機器學習有一定基礎的讀者也可以透過習題發現對一些知識點不同角度的解讀,為後續機器學習的深入研究打下基礎。
本書面向《機器學習》讀者以及廣大機器學習愛好者,可作為高等院校人工智慧、計算機、自動化及相關專業的本科生或研究生的教學輔助書籍,也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。
如何使用本書?
本書是“西瓜書”《機器學習》(簡稱為“教材”)的教學或自學的輔助參考書,包含大量習題、解答和註釋,就像一位學習助手從不同角度幫助讀者更好地掌握和鞏固教材中關於基本概念和常用演算法的前10章所涉及的主要知識點,並綜合考慮習題的難度和廣度,儘可能兼顧不同讀者的需求。
本書的142道習題與教材章節末的習題並不重合,包含簡答題、計算題和程式設計題三種題型,一方面可以為教師授課提供作業、考評的思路參考,同時也可幫助學生在上課或自學之餘透過習題練習的方式對知識點的掌握情況進行自我評測。
本書分為兩部分。第一部分為“基礎考評篇”,共10章,對應教材第1~10章以及附錄中機器學習數學基礎部分的內容,包括105題,以計算題、簡答題為主,這部分習題大多采用多個子問題的形式對書中知識點進行循序漸進的探究,部分習題和當前機器學習的前沿研究相結合,對教材中知識點的當前研究進展進行了一定程度的介紹,並給出了相應的參考文獻。第二部分為“綜合應用篇”,共6章,以“大作業”的形式考查對教材前10章知識點融會貫通的能力,包含37題,以程式設計題、簡答題為主,這部分中每一章節將包含第一部分中一個或多個章節所覆蓋的知識點。一方面考查將不同知識點靈活應用於實際問題的能力,另一方面考查對所學內容靈活拓展的能力。
本書提供的程式設計題的實驗環境基於Python 3指令碼語言,透過程式設計實踐能夠更便捷地在實際資料上探究知識點和演算法的性質,同時也能更方便地展示如何在實際問題中應用機器學習演算法。
目錄
推薦序
前言
基礎考評篇
第1章 緒論2
1.1 基本術語2
1.2 假設空間5
1.3 歸納偏好9
1.4 矩陣、最佳化和機率分佈13
參考文獻21
第2章 模型評估與選擇23
2.1 經驗誤差與過擬合23
2.2 評估方法26
2.3 效能度量31
2.4 比較檢驗41
2.5 偏差與方差43
參考文獻47
第3章 線性模型49
3.1 線性迴歸49
3.2 對數機率迴歸60
3.3 線性判別分析63
3.4 多分類學習74
參考文獻78
第4章 決策樹80
4.1 基本流程80
4.2 劃分選擇81
4.3 剪枝處理90
4.4 連續與缺失值93
4.5 多變數決策樹100
參考文獻105
第5章 神經網路106
5.1 感知機與多層網路106
5.2 誤差逆傳播演算法112
5.3 全域性最小與區域性極小128
5.4 其他常見神經網路130
參考文獻132
第6章 支援向量機134
6.1 間隔、支援向量與對偶問題134
6.2 軟間隔與正則化142
6.3 核函式154
6.4 核方法158
參考文獻160
第7章 貝葉斯分類器162
7.1 貝葉斯決策論162
7.2 極大似然估計166
7.3 樸素貝葉斯分類器179
7.4 貝葉斯網188
參考文獻190
第8章 整合學習191
8.1 Boosting191
8.2 Bagging與隨機森林201
8.3 結合策略207
8.4 多樣性211
8.5 整合剪枝222
參考文獻223
第9章 聚類225
9.1 距離計算225
9.2 k均值演算法229
9.3 高斯混合聚類249
9.4 效能度量251
9.5 密度聚類與層次聚類254
參考文獻262
第10章 降維與度量學習263
10.1 k近鄰學習263
10.2 維數災難265
10.3 主成分分析268
10.4 核化線性降維287
10.5 低維嵌入與流形學習288
10.6 度量學習291
參考文獻295
綜合應用篇
第11章 線性模型的最佳化與複用298
11.1 資料獲取和預處理298
11.2 嶺迴歸分類器的最佳化方法探究302
11.3 線性模型的引數選擇314
11.4 線性模型的引數複用320
參考文獻324
第12章 面向類別不平衡資料的分類326
12.1 類別不平衡現象與評價指標326
12.2 類別不平衡模型初探334
12.3 基於取樣的“再縮放”方法340
12.4 類別不平衡問題的多分類擴充套件348
參考文獻356
第13章 神經網路的最佳化與應用357
13.1 數值求導和自動求導357
13.2 神經網路最佳化例項362
13.3 BP演算法的回顧與思考374
13.4 SOM神經網路377
參考文獻385
第14章 EM演算法及其應用387
14.1 資料中的隱變數387
14.2 EM演算法的迭代最佳化視角391
14.3 EM演算法的隱變數視角396
14.4 EM演算法應用例項——缺失值處理398
參考文獻413
第15章 整合學習的過擬合現象研究415
15.1 分佈有偏移資料集的構造和劃分415
15.2 機器學習中的過擬合現象418
15.3 AdaBoost的多分類演算法實現425
15.4 AdaBoost是否會過擬合433
參考文獻437
第16章 度量學習及其應用438
16.1 近鄰分類器438
16.2 降維方法的評價444
16.3 度量學習448
16.4 度量學習的回顧與思考461
參考文獻466
▲上下滑動檢視本書目錄
獨家限時優惠中,快快搶購吧!

PaperWeekly攜手機械工業出版社送書啦!

在本文評論區

留言+點贊

我們將隨機抽取10位讀者
包郵送出這本西瓜書配套習題
活動截止時間為1月15日 12:00
屆時請留意後臺訊息
*請勿使用AI工具生成留言
🔍
現在,在「知乎」也能找到我們了
進入知乎首頁搜尋「PaperWeekly」
點選「關注」訂閱我們的專欄吧
·
·
·
·
·
·

相關文章