机器学习算法的数学解析与Python实现

出版者:机械工业出版社

作者:莫凡

页数:216

出版时间:2020-1-20

价格:89.00元

装帧:平装

isbn号码:9787111642602

丛书系列:智能系统与技术丛书

具体描述

本书以机器学习的算法为主线，深入剖析算法的概念和数学原理，以通俗形象的语言进行讲解，让读者无须了解太多前置数学知识，就能看懂数学公式所表达的意思，从而快速掌握机器学习的思想和原理。本书首先介绍机器学习基本概念及工具，然后从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中主要的算法，如线性回归算法、Logistic回归算法、KNN算法、朴素贝叶斯算法、决策树算法、支持向量机算法、K-means聚类算法、神经网络、集成学习方法等。

作者简介

莫凡

新技术深度爱好者，曾经从事信息安全前沿技术跟踪研究和数据分析工作，在各类信息安全类技术期刊杂志发表文章五十余篇，现转为投身高端知识“白菜化”项目，希望能让将更多听起来高大上的名词沾一沾人间烟火，成为日常中生活真正用得上的知识。

目录信息

前言
第1章　机器学习概述 1
1.1　什么是机器学习 1
1.2　机器学习的几个需求层次 3
1.3　机器学习的基本原理 5
1.4　机器学习的基本概念 7
1.4.1　书中用到的术语介绍 7
1.4.2　机器学习的基本模式 11
1.4.3　优化方法 12
1.5　机器学习问题分类 14
1.6　常用的机器学习算法 15
1.7　机器学习算法的性能衡量指标 16
1.8　数据对算法结果的影响 18
第2章　机器学习所需的环境 20
2.1　常用环境 20
2.2　Python简介 21
2.2.1　Python的安装 23
2.2.2　Python的基本用法 24
2.3　Numpy简介 25
2.3.1　Numpy的安装 26
2.3.2　Numpy的基本用法 26
2.4　Scikit-Learn简介 27
2.4.1　Scikit-Learn的安装 28
2.4.2　Scikit-Learn的基本用法 28
2.5　Pandas简介 29
2.5.1　Pandas的安装 30
2.5.2　Pandas的基本用法 31
第3章　线性回归算法 33
3.1　线性回归：“钢铁直男”解决回归问题的正确方法 33
3.1.1　用于预测未来的回归问题 35
3.1.2　怎样预测未来 38
3.1.3　线性方程的“直男”本性 40
3.1.4　最简单的回归问题—线性回归问题 44
3.2　线性回归的算法原理 46
3.2.1　线性回归算法的基本思路 46
3.2.2　线性回归算法的数学解析 48
3.2.3　线性回归算法的具体步骤 53
3.3　在Python中使用线性回归算法 54
3.4　线性回归算法的使用场景 60
第4章　Logistic回归分类算法 61
4.1　Logistic回归：换上“S型曲线马甲”的线性回归 61
4.1.1　分类问题：选择困难症患者的自我救赎 63
4.1.2　Logistic函数介绍 66
4.1.3　此回归非彼回归：“LR”辨析 70
4.2　Logistic回归的算法原理 71
4.2.1　Logistic回归算法的基本思路 71
4.2.2　Logistic回归算法的数学解析 74
4.2.3　Logistic回归算法的具体步骤 78
4.3　在Python中使用Logistic回归算法 78
4.4　Logistic回归算法的使用场景 81
第5章　KNN分类算法 82
5.1　KNN分类算法：用多数表决进行分类 82
5.1.1　用“同类相吸”的办法解决分类问题 84
5.1.2　KNN分类算法的基本方法：多数表决 86
5.1.3　表决权问题 89
5.1.4　KNN的具体含义 89
5.2　KNN分类的算法原理 90
5.2.1　KNN分类算法的基本思路 90
5.2.2　KNN分类算法的数学解析 93
5.2.3　KNN分类算法的具体步骤 94
5.3　在Python中使用KNN分类算法 95
5.4　KNN分类算法的使用场景 96
第6章　朴素贝叶斯分类算法 98
6.1　朴素贝叶斯：用骰子选择 98
6.1.1　从统计角度看分类问题 99
6.1.2　贝叶斯公式的基本思想 102
6.1.3　用贝叶斯公式进行选择 104
6.2　朴素贝叶斯分类的算法原理 106
6.2.1　朴素贝叶斯分类算法的基本思路 106
6.2.2　朴素贝叶斯分类算法的数学解析 108
6.2.3　朴素贝叶斯分类算法的具体步骤 111
6.3　在Python中使用朴素贝叶斯分类算法 111
6.4　朴素贝叶斯分类算法的使用场景 112
第7章　决策树分类算法 114
7.1　决策树分类：用“老朋友”if-else进行选择 114
7.1.1　程序员的选择观：if-else 116
7.1.2　如何种植一棵有灵魂的“树” 118
7.1.3　决策条件的选择艺术 119
7.1.4　决策树的剪枝问题 122
7.2　决策树分类的算法原理 125
7.2.1　决策树分类算法的基本思路 125
7.2.2　决策树分类算法的数学解析 127
7.2.3　决策树分类算法的具体步骤 133
7.3　在Python中使用决策树分类算法 134
7.4　决策树分类算法的使用场景 135
第8章　支持向量机分类算法 137
8.1　支持向量机：线性分类器的“王者” 137
8.1.1　距离是不同类别的天然间隔 139
8.1.2　何为“支持向量” 140
8.1.3　从更高维度看“线性不可分” 142
8.2　支持向量机分类的算法原理 146
8.2.1　支持向量机分类算法的基本思路 146
8.2.2　支持向量机分类算法的数学解析 150
8.2.3　支持向量机分类算法的具体步骤 153
8.3　在Python中使用支持向量机分类算法 154
8.4　支持向量机分类算法的使用场景 156
第9章　K-means聚类算法 157
9.1　用投票表决实现“物以类聚” 157
9.1.1　聚类问题就是“物以类聚”的实施问题 159
9.1.2　用“K”来决定归属类别 162
9.1.3　度量“相似”的距离 164
9.1.4　聚类问题中的多数表决 165
9.2　K-means聚类的算法原理 168
9.2.1　K-means聚类算法的基本思路 168
9.2.2　K-means聚类算法的数学解析 169
9.2.3　K-means聚类算法的具体步骤 170
9.3　在Python中使用K-means聚类算法 171
9.4　K-means聚类算法的使用场景 172
第10章　神经网络分类算法 174
10.1　用神经网络解决分类问题 174
10.1.1　神经元的“内心世界” 177
10.1.2　从神经元看分类问题 180
10.1.3　神经网络的“细胞”：人工神经元 181
10.1.4　构成网络的魔力 184
10.1.5　神经网络与深度学习 188
10.2　神经网络分类的算法原理 188
10.2.1　神经网络分类算法的基本思路 188
10.2.2　神经网络分类算法的数学解析 190
10.2.3　神经网络分类算法的具体步骤 193
10.3　在Python中使用神经网络分类算法 194
10.4　神经网络分类算法的使用场景 195
第11章　集成学习方法 197
11.1　集成学习方法：三个臭皮匠赛过诸葛亮 197
11.1.1　集成学习方法与经典机器学习算法的关系 198
11.1.2　集成学习的主要思想 199
11.1.3　几种集成结构 200
11.2　集成学习方法的具体实现方式 202
11.2.1　Bagging算法 202
11.2.2　Boosting算法 202
11.2.3　Stacking算法 202
11.3　在Python中使用集成学习方法 203
11.4　集成学习方法的使用场景 205
· · · · · · (收起)

读后感

作者：木羊同学 今天聊数学基础。 最近总感觉不断看到有人在网上推机器学习相关的数学书，今天专门找了找，才发现不是一本，是好几本，甚至一些子领域子问题也专门出了一本书，譬如线性代数在机器学习中的使用，又譬如自然语言处理使用的数学基础等等等等，颇有一点出书的比看...

作者：木羊同学 今天聊数学基础。 最近总感觉不断看到有人在网上推机器学习相关的数学书，今天专门找了找，才发现不是一本，是好几本，甚至一些子领域子问题也专门出了一本书，譬如线性代数在机器学习中的使用，又譬如自然语言处理使用的数学基础等等等等，颇有一点出书的比看...

作者：木羊同学 今天聊数学基础。 最近总感觉不断看到有人在网上推机器学习相关的数学书，今天专门找了找，才发现不是一本，是好几本，甚至一些子领域子问题也专门出了一本书，譬如线性代数在机器学习中的使用，又譬如自然语言处理使用的数学基础等等等等，颇有一点出书的比看...

作者：木羊同学 今天聊数学基础。 最近总感觉不断看到有人在网上推机器学习相关的数学书，今天专门找了找，才发现不是一本，是好几本，甚至一些子领域子问题也专门出了一本书，譬如线性代数在机器学习中的使用，又譬如自然语言处理使用的数学基础等等等等，颇有一点出书的比看...

作者：木羊同学 今天聊数学基础。 最近总感觉不断看到有人在网上推机器学习相关的数学书，今天专门找了找，才发现不是一本，是好几本，甚至一些子领域子问题也专门出了一本书，譬如线性代数在机器学习中的使用，又譬如自然语言处理使用的数学基础等等等等，颇有一点出书的比看...

用户评价

这本书的封面设计极具吸引力，那种深邃的蓝色调配合着简洁的几何图形，立刻让人联想到严谨的科学与技术的交织。我最初被它吸引，是因为我对人工智能领域的热情，但又对那些纯粹停留在概念层面的介绍感到厌倦。我渴望深入理解那些驱动着深度学习模型、支持着复杂预测系统的底层逻辑。这本书承诺提供“数学解析”，这正是我所追求的。翻开第一章，果然，作者没有回避那些令人望而生畏的公式，而是像一位耐心的导师，一步步地引导读者拆解概率论、线性代数在机器学习中的核心作用。特别是关于梯度下降优化算法的推导部分，它不仅仅给出了公式，更是结合了直观的几何解释，让我这个曾经在数学公式前磕磕绊绊的人，忽然间茅塞顿开。那种“原来如此”的豁然开朗感，是阅读其他泛泛而谈的书籍时无法体会的。它不是一本用来快速入门的“速成指南”，而更像是一份需要你沉下心来、反复咀嚼的精研手册，但所有的投入都会在模型构建的环节得到丰厚的回报。

拿到这本书时，我的首要关注点是其实用性，毕竟在当前的技术浪潮中，光有理论而无实践是空谈。这本书的结构安排得非常巧妙，它不是简单地堆砌理论，而是将每一个核心算法的数学原理讲透之后，立刻对接上相应的Python代码实现。这种“理论-实践”的紧密耦合，极大地提升了学习效率。我尤其欣赏作者在选择Python库时所展现出的专业度，他没有仅仅停留在最基础的NumPy层面，而是适当地引入了Scikit-learn和TensorFlow的早期版本结构来阐释概念，确保读者理解的是算法的“纯粹”形态，而不是被特定框架的封装所掩盖。当我尝试用书中的代码复现一个经典的逻辑回归模型时，发现注释之详尽、变量命名之清晰，几乎可以让我脱离原书，独立完成整个流程。这种对细节的把控，让它从一堆“教你怎么调参”的工具书中脱颖而出，成为一本真正教授“内功心法”的宝典。

这本书的排版和装帧质量也值得称赞。在如今这个快餐式阅读盛行的年代，拥有一本纸质印刷精良的书籍，本身就是一种享受。书中的图表，尤其是那些用来阐释高维空间决策边界和损失函数曲面的插图，线条清晰，色彩运用得当，即便是复杂的几何关系也能一目了然。相比于在屏幕上缩放模糊的PDF或电子书，实体书的阅读体验无可替代。我发现自己经常会带着这本书在咖啡馆阅读，而不是对着电脑屏幕，这帮助我更好地集中注意力，进行深度思考。纸张的质感、墨水的均匀度，这些细节都体现了出版方对知识传播的尊重。对于需要长时间面对屏幕工作的技术人员来说，一本高质量的实体书，提供了一种宝贵的“数字排毒”时刻，让阅读本身成为一种沉浸式的、令人愉悦的学习过程。

作为一名非科班出身的数据分析师，我常常感到在处理前沿的机器学习项目时，总有一层看不见的壁垒阻碍我——那就是对高级统计学和优化理论的理解不足。这本书对我来说，简直就是一座坚固的桥梁。它最出色的地方在于，它并没有假设读者是数学系的高材生。作者在引入复杂概念时，会先用非常生活化或工程化的案例进行铺垫，将抽象的数学概念“具象化”。例如，在讲解支持向量机（SVM）的核技巧时，它没有直接抛出复杂的内积积分，而是先描述了一个在低维空间无法线性分离的数据集，然后通过“映射到高维空间”这一直观操作，自然而然地引出了核函数的作用。这种循序渐进、润物细无声的教学方式，极大地降低了学习曲线的陡峭程度，让我能够带着信心去啃那些原本觉得高不可攀的章节。它重塑了我对“数学在工程中应用”的看法。

我尝试对比过市面上几本著名的同类书籍，它们往往侧重于某一极端：要么是纯粹的理论综述，读起来像教科书般枯燥乏味，缺乏实际操作的指导；要么就是代码导向，只教你如何调用API，却对背后的原理避而不谈，导致“知其然不知其所以然”。这本书的定位恰到好处地填补了这一空白。它像一个全能型的“技术翻译官”，将深奥的数学语言流畅地转换成可执行的编程逻辑，并将复杂的算法步骤清晰地还原为简洁的数学表达。这种平衡感是极其难能可贵的。它不仅适合正在攻读研究生学位，需要扎实理论基础的学生，也同样适合那些已经工作多年，想要系统性梳理知识体系、从“调参工程师”跃升为“模型架构师”的资深从业者。可以说，这本书不仅提供了知识，更提供了一种严谨的思维框架。

我读起来最轻松、收获最多的机器学习算法的书，之前很多模糊的概念，在跟着这本书跑一遍之后感觉清晰多了。

作者文笔是不错的，作为入门书，里面没太多的数学推导，每个算法都用了不少作者自己理解的例子通俗去说，比如SVM就说的不错，不过有的时候感觉废话太多了，比较适合快速了解入门AI的产品经理或者程序员看

学习前就是要先明确目的，带着目的去学。作者的思路很清晰，比喻也很形象，适合入门看。

编著......

很不错，让人在疲惫的工作之余还能学的下去。作者的观点是学习机器学习要先找准动机，根据动机对症下药，书中都有详细的介绍。