What problems does this book solve?

建立机器学习知识体系：系统覆盖从基础概念到经典算法再到进阶主题的完整知识框架，解决知识碎片化问题。理解算法背后原理：深入剖析决策树、神经网络、支持向量机等算法的数学推导与直观解释，解决只会调包不懂原理的困境。掌握模型评估与选择：详细讲解过拟合、评估方法、性能度量与比较检验，解决模型选择与调优缺乏理论指导的问题。衔接学术与工业应用：每章附习题与阅读材料，引导读者进一步钻研，解决从理论学习到科研实践的过渡难题。

Who is this book for?

计算机与自动化专业学生：作为本科或研究生教材，系统学习机器学习理论与算法的在校学生。人工智能研究人员：需要一本严谨且全面的参考书来深入理解机器学习各领域的研究人员。算法工程师：希望夯实理论基础，理解常用算法背后数学原理的工程技术人员。跨学科学习者：数学、统计等背景，希望转入机器学习领域并需要系统教材的读者。

How should I read this book?

循序渐进：建议按章节顺序阅读，前三章是基础，务必先掌握模型评估与线性模型再深入后续算法。推导结合代码：阅读数学推导时，可配合开源代码实现（如scikit-learn）加深理解，避免纸上谈兵。完成习题：每章习题是巩固知识的关键，建议认真完成，尤其是涉及证明与算法实现的题目。拓展阅读：利用每章末尾的阅读材料，针对感兴趣的算法深入钻研原始论文，培养科研能力。

What will I learn from this book?

完整的机器学习知识图谱：从基础术语到强化学习，建立起清晰且系统的机器学习知识体系。扎实的数学推导能力：理解主流算法的数学原理与推导过程，能够阅读并复现学术论文。模型评估与调优思维：掌握评估方法、性能度量与比较检验，能够科学地选择和优化模型。科研与工程的双重素养：既能从事算法研究，也能将理论应用于实际工程问题。

E-BOOK 机器学习周志华西瓜书人工智能领域中文的开山之作

PDF

《机器学习周志华西瓜书人工智能领域中文的开山之作》[58M]百度网盘|pdf下载|亲测有效

📥 PDF 电子书 · 百度网盘 · 约 35M 📖 文轩网旗舰店 🌐 zh-CN 📅 Published 2,016

52

Downloads

4.8

Rating

89.0MB

File Size

PDF

算法人工智能机器学习教材西瓜书

📦 Download Book

📥 Get Now PDF 👁️ Preview

建立机器学习知识体系：系统覆盖从基础概念到经典算法再到进阶主题的完整知识框架，解决知识碎片化问题。
理解算法背后原理：深入剖析决策树、神经网络、支持向量机等算法的数学推导与直观解释，解决只会调包不懂原理的困境。
掌握模型评估与选择：详细讲解过拟合、评估方法、性能度量与比较检验，解决模型选择与调优缺乏理论指导的问题。
衔接学术与工业应用：每章附习题与阅读材料，引导读者进一步钻研，解决从理论学习到科研实践的过渡难题。

📖 Book Introduction

作者:周志华著

定价:108

出版社:清华大学出版社

出版日期:2016年01月01日

页数:560

装帧:平装

ISBN:9787302423287

"击败AlphaGo的武林秘籍；赢得人机大战的必由之路。回答了有关机器学六大疑问，浅显生动，外行也能读懂。既道出了机器学前世今生，又展望了机器学未来发展，让道听途说的信息止于智者。 "

●章绪论
1．1引言
1．2基本术语
1．3假设空间
1．4归纳偏好
1．5发展历程
1．6应用现状
1．7阅读材料
习题
参考文献
休息一会儿
第2章模型评估与选择
2．1经验误差与过拟合
2．2评估方法
2．3性能度量
2．4比较检验
2．5偏差与方差
2．6阅读材料
习题
参考文献
休息一会儿
第3章线性模型
3．1基本形式
3．2线性回归
3．3对数几率回归
3．4线性判别分析
3．5多分类学习
3．6类别不平衡问题
3．7阅读材料
习题
参考文献
休息一会儿
第4章决策树
4．1基本流程
4．2划分选择
4．3剪枝处理
4．4连续与缺失值
4．5多变量决策树
4．6阅读材料
习题
参考文献
休息一会儿
第5章神经网络
5．1神经元模型
5．2感知机与多层网络
5．3误差逆传播算法
5．4全局小与局部极小
5．5其他常见神经网络
5．6深度学习
5．7阅读材料
习题
参考文献
休息一会儿
第6章支持向量机
6．1间隔与支持向量
6．2对偶问题
6．3核函数
软间隔与正则化
6．5支持向量回归
……
第7章贝叶斯分类器
第8章集成学习
第9章聚类
0章降维与度量学习
1章特征选择与稀疏学习
2章计算学习理论
3章半监督学习
4章概率图模型
5章规则学习
6章强化学习
附录
后记
索引

机器学习是计算机科学的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：部分（～3章）介绍机器学基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（1～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索.本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.

周志华著

周志华教授，大学计算机系主任、人工智能学院院长、校学术委员会委员。欧洲科学院外籍院士。人工智能相关五大主流学会ACM、AAAI、AAAS、IEEE、IAPR均入选Fellow的首位华人学者，中国计算机学会、工智能学会会士。曾获IEEE计算机学会Edward J. McCluskey技术成就奖、CCF王选奖等。