具体描述
本书将高效机器学习的理论阐述、设计原则以及实际应用有机结合，理论联系实践，适合算法工程师、高校工科专业的学生、IT专业人员以及机器学习爱好者参考使用，为他们设计和创建新的和更高效的机器学习系统提供知识和实践指导。
作者简介
玛丽特·阿瓦德（Mariette Awad）
贝鲁特美国大学电气与计算机工程系副教授。她曾是麻省理工学院以及Intel移动和通信集团的客座教授，还曾在IBM公司的系统和技术团队担任无线产品工程师。
拉胡尔·肯纳（Rahul Khanna）
Intel公司首席平台架构师，专注于节能算法的开发，因在平台技术改进领域的突出贡献而3次获得Intel成就奖，拥有33项发明专利。
目录信息
作者简介
技术评审简介
致谢
第1章 机器学习1
1.1 关键术语2
1.2 机器学习的步骤4
1.3 机器学习算法6
1.4 流行的机器学习算法9
1.4.1 C4.59
1.4.2 k均值9
1.4.3 支持向量机10
1.4.4 Apriori算法10
1.4.5 估计最大化11
1.4.6 PageRank算法11
1.4.7 AdaBoost12
1.4.8 k近邻算法13
1.4.9 朴素贝叶斯14
1.4.10 分类回归树14
1.5 数据挖掘研究中的挑战性问题14
1.5.1 针对高维数据和高速数据流的扩展15
1.5.2 挖掘序列数据和时间序列数据15
1.5.3 从复杂数据中挖掘复杂知识15
1.5.4 分布式数据挖掘与挖掘多代理数据15
1.5.5 数据挖掘过程的相关问题16
1.5.6 安全性、隐私性和数据完整性16
1.5.7 处理非静态、不平衡和代价敏感的数据16
1.6 总结16
参考文献16
第2章 机器学习与知识发现18
2.1 知识发现20
2.1.1 分类20
2.1.2 聚类20
2.1.3 降维21
2.1.4 协同过滤21
2.2 机器学习：分类算法21
2.2.1 逻辑回归21
2.2.2 随机森林22
2.2.3 隐马尔可夫模型23
2.2.4 多层感知机24
2.3 机器学习：聚类算法26
2.3.1 k均值聚类26
2.3.2 模糊k均值(模糊c均值)26
2.3.3 流k均值算法27
2.4 机器学习：降维28
2.4.1 奇异值分解28
2.4.2 主成分分析29
2.4.3 Lanczos算法31
2.5 机器学习：协同过滤32
2.5.1 基于用户的协同过滤32
2.5.2 基于项目的协同过滤32
2.5.3 权值-λ-正规化的交替最小二乘法33
2.6 机器学习：相似矩阵34
2.6.1 Pearson相关系数34
2.6.2 Spearman等级相关系数34
2.6.3 欧氏距离35
2.6.4 Jaccard相似系数35
2.7 总结35
参考文献36
第3章 支持向量机分类37
3.1 从几何角度看待SVM37
3.2 SVM的主要性能38
3.3 硬间隔SVM41
3.4 软间隔SVM43
3.5 核SVM44
3.6 多分类SVM47
3.7 SVM用于非平衡数据集49
3.8 提升SVM计算需求51
3.9 案例研究：SVM用于手写识别53
3.9.1 预处理54
3.9.2 特征提取54
3.9.3 分层的、三级SVM55
3.9.4 实验结果56
3.9.5 复杂度分析57
参考文献59
第4章 支持向量回归63
4.1 SVR概述63
4.2 SVR：概念、数学模型和图形表示64
4.3 核SVR和不同的损失函数:数学模型和图形表示68
4.4 贝叶斯线性回归69
4.5 案例研究：非对称SVR电源预测72
参考文献75
第5章 隐马尔可夫模型76
5.1 离散的马尔可夫过程76
5.1.1 定义178
5.1.2 定义278
5.1.3 定义378
5.2 HMM简介78
5.2.1 HMM的要点80
5.2.2 HMM的三种基本问题80
5.2.3 HMM基本问题的解决81
5.3 连续观测HMM86
5.3.1 多元高斯混合模型88
5.3.2 示例：工作负载相位识别88
5.3.3 监视和观测89
5.3.4 工作负载和相位89
5.3.5 相位探测的混合模型91
参考文献98
第6章 仿生计算：群体智能100
6.1 应用101
6.1.1 演化硬件101
6.1.2 仿生网络103
6.1.3 数据中心优化105
6.2 仿生计算算法106
6.3 群体智能106
6.3.1 蚁群优化算法107
6.3.2 粒子群优化算法109
6.3.3 人工蜂群算法111
6.4 细菌觅食优化算法113
6.5 人工免疫系统114
6.6 数据中心的分布式管理116
6.6.1 工作负载特征116
6.6.2 热度优化117
6.6.3 负载均衡117
6.6.4 算法模型118
参考文献120
第7章 深度神经网络122
7.1 ANN简介122
7.1.1 早期的ANN结构123
7.1.2 经典的ANN124
7.1.3 ANN训练和反向传播算法127
7.2 DBN概述128
7.3 受限玻尔兹曼机130
7.4 DNN训练算法131
7.5 DNN相关研究133
7.5.1 DNN应用134
7.5.2 利用并行实现加快DNN训练135
7.5.3 类似于DBN的深度网络135
参考文献136
第8章 皮质算法141
8.1 皮质算法入门141
8.1.1 皮质算法的结构141
8.1.2 皮质算法的训练143
8.2 权重更新145
8.3 案例研究：改进的皮质算法在阿拉伯语口语数字化中的应用149
8.3.1 基于熵的权重更新规则149
8.3.2 实验验证150
参考文献153
第9章 深度学习156
9.1 层级时序存储概述156
9.2 层级时序存储的演化157
9.2.1 稀疏分布表征160
9.2.2 算法实现160
9.2.3 空间池160
9.2.4 时间池162
9.3 相关工作163
9.4 脉冲神经网络概述164
9.4.1 Hodgkin-Huxley模型165
9.4.2 integrate-and-fire模型165
9.4.3 leaky integrate-and-fire模型165
9.4.4 Izhikevich模型166
9.4.5 Thorpe’s模型166
9.4.6 SNN的信息编码167
9.4.7 SNN的学习168
9.4.8 SNN的变体与扩展169
9.5 总结170
参考文献170
第10章 多目标优化173
10.1 形式定义174
10.1.1 帕累托优化175
10.1.2 支配关系175
10.1.3 性能度量175
10.2 机器学习：进化算法176
10.2.1 遗传算法177
10.2.2 遗传编程178
10.3 多目标优化：一种进化的方法179
10.3.1 加权和方法180
10.3.2 向量评估遗传算法180
10.3.3 多目标遗传算法180
10.3.4 小生境帕累托遗传算法182
10.3.5 非支配排序遗传算法182
10.3.6 强帕累托进化算法183
10.3.7 强帕累托进化算法Ⅱ185
10.3.8 帕累托档案进化策略186
10.3.9 基于帕累托包络的选择算法187
10.3.10 基于帕累托包络的选择算法Ⅱ188
10.3.11 带精英策略的非支配排序遗传算法188
10.4 示例：多目标优化190
10.5 目标函数192
参考文献193
第11章 机器学习实战示例195
11.1 可行的系统建模196
11.2 实例1：计算节点上的工作负载指纹198
11.2.1 相位测定199
11.2.2 指纹202
11.2.3 预测206
11.3 实例2：动态能量分配206
11.3.1 学习过程：特征选取207
11.3.2 学习过程：最优规划208
11.3.3 学习过程：监控209
11.4 模型训练：过程与评价212
11.5 实例3：入侵检测的系统方法214
11.5.1 建模策略215
11.5.2 入侵检测系统架构217
11.6 关于配置文件和系统的思考220
11.7 传感器数据测量221
11.8 总结222
参考文献223
索引224
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
这本书的配套资源简直是点睛之笔，我下载了随书附带的代码库后，发现它不仅仅是简单的代码实现，更像是一个高质量的教学工具包。每一个核心算法都有对应的Jupyter Notebook文件，而且代码注释极其详尽，不仅解释了每一步的作用，还常常会嵌入一些“为什么我们不直接用XXX方法？”之类的思考题，引导读者主动去探索和调试。特别是那个关于大规模数据并行训练的章节，作者提供的示例代码直接整合了最新的分布式框架API，可以直接在云端环境中运行，这对于我们这些希望快速将理论应用于生产环境的工程师来说，省去了大量的环境配置和代码适配时间，实操性非常强。
评分我得说，这本书的内容深度和广度都超出了我的预期，尤其是在探讨模型可解释性（XAI）这一前沿领域时，它没有停留在泛泛而谈的层面，而是深入剖析了几种主流解释方法的底层数学原理，比如SHAP值的构建逻辑，作者甚至贴出了详细的推导步骤，这对于想从“会用”迈向“精通”的人来说，价值极高。更让我惊喜的是，它并没有局限于深度学习的范畴，而是花了不少篇幅去回顾和对比传统的统计学习方法，比如广义线性模型的稳健性分析，这种横跨不同技术栈的视野，使得读者能够建立起一个更为全面的知识框架，而不是被单一的技术流派所局限，读完后感觉对整个机器学习领域的脉络清晰多了。
评分与其他动辄堆砌公式和代码的书籍不同，这本书在培养读者的“工程思维”方面做得尤为出色。它没有满足于在虚拟数据集上展示算法的完美表现，而是花费了整整一个章节来讨论“数据漂移”和“模型维护”这两个在真实世界中至关重要的环节。作者详细列举了数个工业界的案例，说明了当数据分布随时间变化时，模型性能是如何悄无声息地下滑的，并且提供了一套系统性的监控和再训练策略。这种前瞻性的视角，让这本书不仅仅是一本关于“如何构建模型”的指南，更像是一本关于“如何长期、负责任地运营机器学习系统”的实战手册，读完后对项目的全生命周期管理有了更深的理解。
评分这本书的叙事节奏把握得相当到位，它有一种非常巧妙的“欲扬先抑”的写作手法。在初期，作者会故意抛出一个看似无解的实际问题场景，让你感受到现有工具的局限性，制造一种“认知冲突”，然后紧接着，用非常清晰的逻辑链条，逐步引入新的理论工具来解决这个问题，整个过程流畅自然，完全没有生硬的“为讲理论而讲理论”的感觉。我特别欣赏作者在讲解算法优缺点时所采取的辩证视角，他从不把任何一种算法描绘成万能钥匙，而是详细阐述了每种方法在不同数据集特性下的性能权衡，这种严谨和客观的态度，让这本书的参考价值大大提升，让人感觉是在与一位非常成熟的领域专家对话。
评分这本书的排版真是让人眼前一亮，那种现代简约的设计风格，每一页的留白都恰到好处，读起来一点都不觉得拥挤。我尤其喜欢它在引入新概念时所采用的那种视觉引导，比如用不同深浅的蓝色区块来区分理论推导和实际应用案例，这对于我这种需要快速抓住重点的读者来说，简直是福音。而且，纸张的质感也非常好，拿在手里沉甸甸的，油墨印刷得非常清晰，即便是那些复杂的数学公式，看起来也毫费力气。我记得翻到某一章介绍优化算法时，作者竟然用了一种手绘风格的流程图来解释迭代过程，那种亲切感是纯粹的文字描述无法比拟的，感觉就像是直接坐在一个经验丰富的工程师旁边听他讲解一样，非常注重阅读体验的细节处理，看得出来出版团队在这方面下了大功夫。
评分这本书更类似于一本综述，介绍了很多其它书中不太常见的算法，但是都比较简略，单看这本书理解起来还是有点困难的。另外就是实现部分讲的比较少。
评分这本书更类似于一本综述，介绍了很多其它书中不太常见的算法，但是都比较简略，单看这本书理解起来还是有点困难的。另外就是实现部分讲的比较少。
评分综述性介绍，很多老算法，除了监督和非监督，还覆盖当时流行的智能算法，缺少凸优化等，浓浓的过去数据挖掘味，和现在流行的机器学习有点差距
评分综述性介绍，很多老算法，除了监督和非监督，还覆盖当时流行的智能算法，缺少凸优化等，浓浓的过去数据挖掘味，和现在流行的机器学习有点差距
评分这本书更类似于一本综述，介绍了很多其它书中不太常见的算法，但是都比较简略，单看这本书理解起来还是有点困难的。另外就是实现部分讲的比较少。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有