本書為了解機(jī)器學(xué)習(xí)提供了一種獨(dú)特的途徑。書中包含了新穎、直觀而又嚴(yán)謹(jǐn)?shù)幕靖拍蠲枋觯鼈兪茄芯空n題、制造產(chǎn)品、修補(bǔ)漏洞以及實(shí)踐不可或缺的部分。本書按照幾何直覺、算法思想和實(shí)際應(yīng)用（縱貫計(jì)算機(jī)視覺、自然語(yǔ)言處理、經(jīng)濟(jì)學(xué)、神經(jīng)科學(xué)、推薦系統(tǒng)、物理學(xué)和生物學(xué)等學(xué)科）的順序，為讀者提供了深入淺出的基礎(chǔ)知識(shí)和解決實(shí)際問題所需的實(shí)用工具。本書還包含了基于Python和MATLAB/OCTAVE語(yǔ)言的深入習(xí)題，以及對(duì)數(shù)值優(yōu)化前沿技術(shù)的全面講解。本書可為機(jī)器學(xué)習(xí)、計(jì)算機(jī)科學(xué)、電子工程、信號(hào)處理以及數(shù)值優(yōu)化等領(lǐng)域的學(xué)生提供重要的學(xué)習(xí)資源，也可為這些領(lǐng)域的研究人員和從業(yè)者提供理想的參考資料。
譯者序
前言
第1章引言
12預(yù)測(cè)學(xué)習(xí)問題
121回歸
122分類
13特征設(shè)計(jì)
14數(shù)值優(yōu)化
15小結(jié)
第一部分基本工具及概念
第2章數(shù)值優(yōu)化基礎(chǔ)
21微積分定義的優(yōu)性
211泰勒級(jí)數(shù)逼近
212優(yōu)性的一階條件
213凸性的便利
22優(yōu)化數(shù)值方法
221概覽
222停止條件
223梯度下降
224牛頓法
23小結(jié)
24習(xí)題
第3章回歸
31線性回歸基礎(chǔ)
311符號(hào)和建模
312用于線性回歸的小二乘代價(jià)函數(shù)
313小二乘代價(jià)函數(shù)的小化
314所學(xué)模型的效力
315預(yù)測(cè)新輸入數(shù)據(jù)的值
32知識(shí)驅(qū)動(dòng)的回歸特征設(shè)計(jì)
33非線性回歸和l2正則化
331邏輯回歸
332非凸代價(jià)函數(shù)和l2正則化
34小結(jié)
35習(xí)題
第4章分類
41感知機(jī)代價(jià)函數(shù)
411基本感知機(jī)模型
412softmax代價(jià)函數(shù)
413間隔感知機(jī)
414間隔感知機(jī)的可微近似
415所學(xué)分類器的精度
416預(yù)測(cè)新輸入數(shù)據(jù)的標(biāo)簽
417哪個(gè)代價(jià)函數(shù)會(huì)產(chǎn)生好的結(jié)果
418感知機(jī)和計(jì)數(shù)代價(jià)的關(guān)聯(lián)
42邏輯回歸視角下的softmax代價(jià)
421階梯函數(shù)和分類
422凸邏輯回歸
43支持向量機(jī)視角下的間隔感知機(jī)
431尋找大間隔超平面
432硬間隔支持向量機(jī)問題
433軟間隔支持向量機(jī)問題
434支持向量機(jī)和邏輯回歸
44多分類
441一對(duì)多的多分類
442多分類softmax分類
443所學(xué)多分類器的精度
444哪種多分類方法表現(xiàn)好
45面向分類的知識(shí)驅(qū)動(dòng)特征設(shè)計(jì)
46面向真實(shí)數(shù)據(jù)類型的直方圖特征
461文本數(shù)據(jù)的直方圖特征
462圖像數(shù)據(jù)的直方圖特征
463音頻數(shù)據(jù)的直方圖特征
47小結(jié)
48習(xí)題
第二部分完全數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)工具
第5章回歸的自動(dòng)特征設(shè)計(jì)
51理想回歸場(chǎng)景中的自動(dòng)特征設(shè)計(jì)
511向量逼近
512從向量到連續(xù)函數(shù)
513連續(xù)函數(shù)逼近
514連續(xù)函數(shù)逼近的常見基
515獲取權(quán)重
516神經(jīng)網(wǎng)絡(luò)的圖表示
52真實(shí)回歸場(chǎng)景中的自動(dòng)特征設(shè)計(jì)
521離散化的連續(xù)函數(shù)逼近
522真實(shí)回歸場(chǎng)景
53回歸交叉驗(yàn)證
531診斷過擬合與欠擬合問題
532留出交叉驗(yàn)證
533留出交叉驗(yàn)證的計(jì)算
534k折交叉驗(yàn)證
54哪個(gè)基好
541理解數(shù)據(jù)背后的現(xiàn)象
542實(shí)踐方面的考慮
543什么時(shí)候可任意選擇基
55小結(jié)
56習(xí)題
57關(guān)于連續(xù)函數(shù)逼近的注釋
第6章分類中的自動(dòng)特征設(shè)計(jì)
61理想分類場(chǎng)景中的自動(dòng)特征設(shè)計(jì)
611分段連續(xù)函數(shù)逼近
612指示函數(shù)的形式化定義
613指示函數(shù)逼近
614獲取權(quán)重
62真實(shí)分類場(chǎng)景中的自動(dòng)特征設(shè)計(jì)
621離散化的指示函數(shù)逼近
622真實(shí)的分類場(chǎng)景
623分類器精度和邊界定義
63多分類
631一對(duì)多的多分類
632多分類softmax分類
64分類交叉驗(yàn)證
641留出交叉驗(yàn)證
642留出交叉驗(yàn)證的計(jì)算
643k折交叉驗(yàn)證
644一對(duì)多多分類的k折交叉驗(yàn)證
65哪個(gè)基好
66小結(jié)
67習(xí)題
第7章核、反向傳播和正則化交叉驗(yàn)證
71固定特征核
711線性代數(shù)基本定理
712核化代價(jià)函數(shù)
713核化的價(jià)值
714核的例子
715核作為相似矩陣
72反向傳播算法
721計(jì)算兩層網(wǎng)絡(luò)代價(jià)函數(shù)的梯度
722計(jì)算三層神經(jīng)網(wǎng)絡(luò)的梯度
723動(dòng)量梯度下降
73l2正則化交叉驗(yàn)證
731l2正則化和交叉驗(yàn)證
732回歸的k折正則化交叉驗(yàn)證
733分類的正則化交叉驗(yàn)證
74小結(jié)
75更多的核計(jì)算
751核化不同的代價(jià)函數(shù)
752傅里葉核標(biāo)量輸入
753傅里葉核向量輸入
第三部分大規(guī)模數(shù)據(jù)機(jī)器學(xué)習(xí)方法
第8章高級(jí)梯度算法
81梯度下降法的固定步長(zhǎng)規(guī)則
811梯度下降法和簡(jiǎn)單的二次代理
812有界曲率函數(shù)和優(yōu)保守步長(zhǎng)規(guī)則
813如何使用保守固定步長(zhǎng)規(guī)則
82梯度下降的自適應(yīng)步長(zhǎng)規(guī)則
821回溯線性搜索的自適應(yīng)步長(zhǎng)規(guī)則
822如何使用自適應(yīng)步長(zhǎng)規(guī)則
83隨機(jī)梯度下降
831梯度分解
832隨機(jī)梯度下降迭代
833隨機(jī)梯度下降的價(jià)值
834隨機(jī)梯度下降的步長(zhǎng)規(guī)則
835在實(shí)踐中如何使用隨機(jī)梯度下降法
84梯度下降方案的收斂性證明
841利普希茨常數(shù)固定步長(zhǎng)梯度下降的收斂性
842回溯線性搜索梯度下降的收斂性
843隨機(jī)梯度法的收斂性
844面向凸函數(shù)的固定步長(zhǎng)梯度下降的收斂速度
85計(jì)算利普希茨常數(shù)
86小結(jié)
87習(xí)題
第9章降維技術(shù)
91數(shù)據(jù)的降維技術(shù)
911隨機(jī)子采樣
912K均值聚類
913K均值問題的優(yōu)化
92主成分分析
93推薦系統(tǒng)
931矩陣填充模型
932矩陣填充模型的優(yōu)化
94小結(jié)
95習(xí)題
第四部分附錄
附錄A基本的向量和矩陣運(yùn)算
附錄B向量微積分基礎(chǔ)
附錄C基本的矩陣分解及偽逆
附錄D凸幾何
參考文獻(xiàn)
索引
新書資訊