机器学习

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。

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。

目录 第1章 1 1.1 引言 1 1.2 基本术 2 1.3 假设空间 4 1.4 归纳偏好 6 1.5 发展历程 10 1.6 应用现状 13 1.7 阅读材料 16 习题 19 参考文献 20 休息一会儿 22 第2章 模型评估与选择 23 2.1 经验误差与过拟合 23 2.2 评估方法 24 2.2.1 留出法 25 2.2.2 交叉验证法 26 2.2.3 自助法 27 2.2.4 调参与最终模型 28 2.3 性能度量 28 2.3.1 错误率与精度 29 2.3.2 查准率、查全率与F1 30 2.3.3 ROC与AUC 33 2.3.4 代价敏感错误率与代价曲线 35 2.4 比较检验 37 2.4.1 假设检验 37 2.4.2 交叉验证t检验 40 2.4.3 McNemar检验 41 2.4.4 Friedman检验与后续检验 42 2.5 偏差与方差 44 2.6 阅读材料 46 习题 48 参考文献 49 休息一会儿 51 第3章 线性模型 53 3.1 基本形式 53 3.2 线性回归 53 3.3 对数几率回归 57 3.4 线性判别分析 60 3.5 多分类学习 63 3.6 类别不平衡问题 66 3.7 阅读材料 67 习题 69 参考文献 70 休息一会儿 72 第4章 决策树 73 4.1 基本流程 73 4.2 划分选择 75 4.2.1 信息增益 75 4.2.2 增益率 77 4.2.3 基尼指数 79 4.3 剪枝处理 79 4.3.1 预剪枝 80 4.3.2 后剪枝 82 4.4 连续与缺失值 83 4.4.1 连续值处理 83 4.4.2 缺失值处理 85 4.5 多变量决策树 88 4.6 阅读材料 92 习题 93 参考文献 94 休息一会儿 95 第5章 神经网络 97 5.1 神经元模型 97 5.2 感知机与多层网络 98 5.3 误差逆传播算法 101 5.4 全局最小与局部极小 106 5.5 其他常见神经网络 108 5.5.1 RBF网络 108 5.5.2 ART网络 108 5.5.3 SOM网络 109 5.5.4 级联相关网络 110 5.5.5 Elman网络 111 5.5.6 Boltzmann机 111 5.6 深度学习 113 5.7 阅读材料 115 习题 116 参考文献 117 休息一会儿 120 第6章 支持向量机 121 6.1 间隔与支持向量 121 6.2 对偶问题 123 6.3 核函数 126 6.4 软间隔与正则化 129 6.5 支持向量回归 133 6.6 核方法 137 6.7 阅读材料 139 习题 141 参考文献 142 休息一会儿 145 第7章 贝叶斯分类器 147 7.1 贝叶斯决策论 147 7.2 极大似然估计 149 7.3 朴素贝叶斯分类器 150 7.4 半朴素贝叶斯分类器 154 7.5 贝叶斯网 156 7.5.1 结构 157 7.5.2 学习 159 7.5.3 推断 161 7.6 EM算法 162 7.7 阅读材料 164 习题 166 参考文献 167 休息一会儿 169 第8章 集成学习 171 8.1 个体与集成 171 8.2 Boosting 173 8.3 Bagging与随机森林 178 8.3.1 Bagging 178 8.3.2 随机森林 179 8.4 结合策略 181 8.4.1 平均法 181 8.4.2 投票法 182 8.4.3 学习法 183 8.5 多样性 185 8.5.1 误差--分歧分解 185 8.5.2 多样性度量 186 8.5.3 多样性增强 188 8.6 阅读材料 190 习题 192 参考文献 193 休息一会儿 196 第9章 聚类 197 9.1 聚类任务 197 9.2 性能度量 197 9.3 距离计算 199 9.4 原型聚类 202 9.4.1 k均值算法 202 9.4.2 学习向量量化 204 9.4.3 高斯混合聚类 206 9.5 密度聚类 211 9.6 层次聚类 214 9.7 阅读材料 217 习题 220 参考文献 221 休息一会儿 224 第10章 降维与度量学习 225 10.1 k近邻学习 225 10.2 低维嵌入 226 10.3 主成分分析 229 10.4 核化线性降维 232 10.5 流形学习 234 10.5.1 等度量映射 234 10.5.2 局部线性嵌入 235 10.6 度量学习 237 10.7 阅读材料 240 习题 242 参考文献 243 休息一会儿 246 第11章 特征选择与稀疏学习 247 11.1 子集搜索与评价 247 11.2 过滤式选择 249 11.3 包裹式选择 250 11.4 嵌入式选择与L$_1$正则化 252 11.5 稀疏表示与字典学习 254 11.6 压缩感知 257 11.7 阅读材料 260 习题 262 参考文献 263 休息一会儿 266 第12章 计算学习理论 267 12.1 基础知识 267 12.2 PAC学习 268 12.3 有限假设空间 270 12.3.1 可分情形 270 12.3.2 不可分情形 272 12.4 VC维 273 12.5 Rademacher复杂度 279 12.6 稳定性 284 12.7 阅读材料 287 习题 289 参考文献 290 休息一会儿 292 第13章 半监督学习 293 13.1 未标记样本 293 13.2 生成式方法 295 13.3 半监督SVM 298 13.4 图半监督学习 300 13.5 基于分歧的方法 304 13.6 半监督聚类 307 13.7 阅读材料 311 习题 313 参考文献 314 休息一会儿 317 第14章 概率图模型 319 14.1 隐马尔可夫模型 319 14.2 马尔可夫随机场 322 14.3 条件随机场 325 14.4 学习与推断 328 14.4.1 变量消去 328 14.4.2 信念传播 330 14.5 近似推断 331 14.5.1 MCMC采样 331 14.5.2 变分推断 334 14.6 话题模型 337 14.7 阅读材料 339 习题 341 参考文献 342 休息一会儿 345 第15章 规则学习 347 15.1 基本概念 347 15.2 序贯覆盖 349 15.3 剪枝优化 352 15.4 一阶规则学习 354 15.5 归纳逻辑程序设计 357 15.5.1 最小一般泛化 358 15.5.2 逆归结 359 15.6 阅读材料 363 习题 365 参考文献 366 休息一会儿 369 第16章 强化学习 371 16.1 任务与奖赏 371 16.2 $K$-摇臂赌博机 373 16.2.1 探索与利用 373 16.2.2 $\epsilon $-贪心 374 16.2.3 Softmax 375 16.3 有模型学习 377 16.3.1 策略评估 377 16.3.2 策略改进 379 16.3.3 策略迭代与值迭代 381 16.4 免模型学习 382 16.4.1 蒙特卡罗强化学习 383 16.4.2 时序差分学习 386 16.5 值函数近似 388 16.6 模仿学习 390 16.6.1 直接模仿学习 391 16.6.2 逆强化学习 391 16.7 阅读材料 393 习题 394 参考文献 395 休息一会儿 397 附录 399 A 矩阵 399 B 优化 403 C 概率分布 409 后记 417 索引 419