机器学习(从公理到算法)/中国计算机学会学术著作丛书

出版者:清华大学出版社

作者:于剑

页数:231

出版时间:2017-7-1

价格:0

装帧:平装

isbn号码:9787302471363

具体描述

《机器学习：从公理到算法（中国计算机学会学术著作丛书）》是一本基于公理研究学习算法的书。共17章，由两部分组成。第一部分是机器学习公理以及部分理论演绎，包括第1、2、6、8章，论述学习公理以及相应的聚类、分类理论。第二部分关注如何从公理推出经典学习算法，包括单类、多类和多源问题。第3～5章为单类问题，分别论述密度估计、回归和单类数据降维。第7、9～16章为多类问题，包括聚类、神经网络、K近邻、支持向量机、Logistic回归、贝叶斯分类、决策树、多类降维与升维等经典算法。最后第17章研究了多源数据学习问题。

《机器学习：从公理到算法（中国计算机学会学术著作丛书）》可以作为高等院校计算机、自动化、数学、统计学、人工智能及相关专业的研究生教材，也可以供机器学习的爱好者参考。

作者简介

于剑，北京交通大学计算机学院教授，博士生导师，交通数据分析与挖掘北京市重点实验室主任，先后获得北京大学数学专业本科、硕士、博士，中国人工智能学会机器学习专委会副主任，中国计算机学会人工智能与模式识别专委会秘书长，承担多项国家自然科学基金项目，发表多篇学术论文，包括TPAMI、CVPR 等。

目录信息

自序
前言
目录
第1章 引言
第2章 归类理论
第3章 密度估计
第4章 回归
第5章 单类数据降维
第6章 聚类理论
第7章 聚类算法
第8章 分类理论
第9章 基于单类的分类算法：神经网络
第10章 K近邻分类模型
第11章 线性分类模型
第12章 对数线性分类模型
第13章 贝叶斯决策
第14章 决策树
第15章 多类数据降维
第16章 多类数据升维：核方法
第17章 多源数据学习
后记
索引
彩插
· · · · · · (收起)

用户评价

这本书最让我感到惊喜的是，它成功地将不同领域的数学工具——比如优化理论、概率论和线性代数——以一种非常自然和统一的方式融合到了机器学习的框架之中。很多教材在介绍梯度下降法时，往往只停留在“求导并更新”的层面，但这本书却花了大量篇幅去讨论凸优化问题的性质，以及不同优化器（如牛顿法、共轭梯度法）的内在联系和收敛速度的差异。这使得我对“优化”的理解不再局限于一个黑箱操作，而是变成了一种可被精细调控的数学过程。此外，书中对特征空间和流形的探讨，也为理解深度学习中的表示学习提供了坚实的几何基础。总而言之，它提供的不是知识点，而是一种看待和解构机器学习问题的全新思维框架。

这本书的结构编排非常巧妙，它似乎有意避开了主流教材那种“先罗列算法，再谈理论”的套路，而是选择了一条更为“根本”的路径——从数学公理和统计学的基本假设出发，一步步构建起机器学习的整个知识体系。这种叙事方式非常适合那些希望深入理解“为什么”而不是仅仅满足于“怎么做”的读者。我特别欣赏作者在介绍贝叶斯理论时所采用的视角，它不仅仅是讲解了公式的应用，更是阐释了在不完全信息下人类认知和决策过程的数学模型。这种高度的抽象能力，使得即便是面对全新的、未曾见过的模型，读者也能迅速抓住其核心的数学逻辑。唯一的挑战可能在于，对于初学者来说，前期的数学铺垫可能会显得有些厚重，需要投入相当的精力去消化这些基础构建模块，但一旦跨越了这个门槛，后续的知识吸收速度会陡然加快，成就感也是巨大的。

这本书的文字风格非常沉稳、客观，带着一种老派学术著作特有的严谨性。它很少使用花哨的语言来渲染某个算法的“先进性”，而是专注于挖掘其背后的逻辑必然性。我特别欣赏作者在探讨“因果推断”与“相关性”区分时所展现的洞察力，这在当前充斥着大量基于相关性预测模型的领域中，显得尤为珍贵。作者强调了我们从数据中到底能可靠地学到什么，以及哪些结论必须依赖于更强的假设。这种对知识边界的清晰界定，对于建立一个审慎的科学态度至关重要。虽然阅读过程需要全神贯注，甚至需要经常回溯前面的章节来巩固理解，但最终收获的，是一种对整个学科体系的清晰脉络感，这是任何零散的学习资料都无法比拟的。

这本书真是让我大开眼界，尤其是它在处理复杂概念时的那种层层递进的讲解方式，简直是教科书级别的示范。我印象最深的是它对信息论基础的阐述，作者并没有满足于给出那些枯燥的公式，而是深入挖掘了这些公式背后的哲学意义，比如“不确定性”究竟在数学上是如何被精确定义的。读完那几章，我感觉自己对“熵”这个概念的理解，已经从一个模糊的、只停留在表面知识的层面，跃升到了可以指导实际模型设计的深度。而且，书中对各种经典算法的剖析，比如SVM和决策树的推导过程，都做到了既严谨又不失可读性。它没有那种堆砌术语的毛病，而是用非常直观的几何或概率视角来解释为什么这些算法是有效的，这对于我这种喜欢刨根问底的读者来说，简直是福音。比起市面上很多只停留在代码实现层面的教材，这本书真正做到了“从原理到实践”的无缝衔接，让人能够真正建立起坚实的理论支撑。

我必须得说，这本书的阅读体验是那种让人又爱又恨的类型。爱它是因为它对模型泛化能力和偏差-方差权衡的讨论，简直是教科书级别的精辟分析。作者没有把“过拟合”仅仅当成一个需要避免的工程问题来处理，而是将其提升到了理论层面，用严谨的数学工具去量化模型的复杂度边界。恨它（或者说敬畏它）是因为它在某些证明环节的处理上，是真正的学术水准，毫不含糊。我花了好一番功夫才啃下了关于收敛性的那几页，那份对细节的苛求，使得这本书更像是一本研究参考手册，而不是一本快餐式的入门读物。不过，正是这种深度，让它在我的书架上拥有了不可替代的地位——每当我在实际项目中遇到理论瓶颈时，翻开这本书，总能找到那个被我忽略的关键数学视角，帮助我拨云见日。

酸腐

我觉得作者的公理化的视角很好啊

服气 代码的乐趣

用归类来公理化机器学习,读了一半感觉好民科的感觉....

我是看不懂。可能自己水平不够！不过我身边的大神也喷这本书。什么玩意！！！