图书标签: 机器学习 人工智能 数据挖掘 计算机 数据分析 MachineLearning 计算机科学 AI
发表于2024-12-23
机器学习 pdf epub mobi txt 电子书 下载 2024
机器学习是计算机科学与人工智能的重要分支领域. 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。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介.
全书共16 章,大致分为3 个部分:第1 部分(第1~3 章)介绍机器学习的基础知识;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(第11~16 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.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书.
书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考.
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,南京大学教授,计算机科学与技术系副主任,软件新技术国家重点实验室常务副主任,机器学习与数据挖掘研究所(LAMDA)所长,校、系学术委员会委员;ACM杰出科学家,IEEE Fellow,IAPR Fellow,中国计算机学会会士;长江学者特聘教授,国家杰出青年基金获得者。2007年创建南京大学机器学习与数据挖掘研究所(LAMDA),2010年11月任软件新技术国家重点实验室常务副主任,2013年5月任计算机系副主任。
3周读罢,不很深入,但作为概念普及算是够用了,大部分基本上对统计学、图论和线性代数有基础的就能读下来,其他靠逻辑能力理解。我觉得决策树和神经网络两章最出彩,11-14章就有些难了,理论推导居多,最开始几章很好用的挑瓜不知道为什么到这几章就没有用得很充分,跟下来需要耐心。现在机器学习相关的网络课程和书看了一些,感觉理解比较透彻的算法都是有实例支撑的,如果没有应用场景对我这种本来就是不是基于实际需求去学习的人太不生动了,临到用时也未必想得起来。下一本准备读李航。
评分懂得人不用看,不懂的人看了也不会懂,不知道为什么评价这么高,就因为排版还不错吗?
评分第四次读三天草草翻完,变成ppt讲义很方便。20180504。第一次读得艰难,第二次读得兴奋,第三次读得轻松。现在这本书的最大价值是每一章的参考文献。周志华老师是用心人。
评分泼点冷水,大致翻了一遍,内容基本涵盖了现在常用的各种算法,但是各种算法论述比较简略,这点比李航的统计学习方法要差不少,可能周老师写这本书的目的是做教材,个人不认为适合自学
评分机器学习课的教材 编著和排版都很用心 把ML的大致骨架描摹得清楚。一学期讲了前十章 感受: 首要推动力还是冷血助教布置的作业集。
覆盖面没话说,也对一些知识有了初步的理解。 但说实话因为覆盖面比较广,一些推导就省略了不少,若能减少覆盖面,集中讲解几个算法,就更好了。 比如CRF,HMM只有两个子章节,导致看不太懂。 个人比较喜欢看完整的推导加十分详细的讲解。 总之就是一些地方能再详细讲解下就更...
评分之前已经有一定的数学知识储备,但第一次看这本书感觉没有什么头绪,基本上一章只能看懂前面的部分,后面较深入的就看不懂了,公式比较杂乱,上课用的模式分类感觉要比这本书好很多,讲的比较清楚,这本书应该比较适合作为一个字典或者有机器学习基础用来复习的,我旁边有很多...
评分求推荐配套相关的工具书籍或资源。 这是一本理论书,各位有好的配套软件工具书籍或资源推荐的吗?感觉光看书看理论有时候容易头大,结合着软件工具练练手学习起来会比较好一些
评分大致翻了下,目前详细看了第8章集成学习,和前5章。感觉还不错,不由得拿李航的书来比较。(只谈谈我目前看到过的几点,仅供参考) ①内容方面,李的书要少于周的书,周写的内容更多一些。 ②由于只看了第八章,两者关于adaboost的公式讲解都差不多,但是李航的书有例题,一步...
机器学习 pdf epub mobi txt 电子书 下载 2024