人工智能书单(机器学习理论篇)
导语: 在这个特殊的假期里,宅在家里读书意味着健康平安,也会让你收获满满!华章计算机AI板块小编将为你持续推送AI书单,从基础入门到AI的各个细分方向一网打尽,完备你的AI学习路线!
本期为大家带来的AI书单是——人工智能书单(机器学习理论篇)!
人工智能书单
(机器学习理论篇)
HZBOOK
1
长按二维码了解及购买
《机器学习基础》
ISBN:978-7-111-62618-5
作 者:梅尔亚·莫里(Mehryar Mohri),阿夫欣·罗斯塔米扎达尔 等
定 价:99.00元
出版时间:2019/05
内容简介:
本书是机器学习领域的里程碑式著作,被哥伦比亚大学和北京大学等国内外顶级院校用作教材。书中介绍机器学习的基础概念和关键算法,给出了算法的理论支撑,并且指出了算法在实际应用中的关键点。通过对这些基本问题乃至前沿问题的精确证明,为读者提供了新的理念和理论工具。
2
长按二维码了解及购买
《神经网络设计(原书第2版)》
ISBN:978-7-111-58674-6
作 者:[美]马丁 T. 哈根
定 价:99.00元
出版时间:2018/01
内容简介:
本书是一本易学易懂的神经网络教材,主要讨论网络结构、学习规则、训练技巧和工程应用,紧紧围绕“设计”这一视角组织材料和展开讲解,强调基本原理和训练方法,概念清晰,数学论述严谨,包含丰富的实例和练习,并配有课件和MATLAB演示程序。本书要求读者具备线性代数、概率论和微分方程的基础知识,可作为高年级本科生或一年级研究生的神经网络导论课程教材,也可供有兴趣的读者自学或参考。
3
长按二维码了解及购买
《模式分类(原书第2版)》
ISBN:978-7-111-12148-1
作 者:[美]Richard O.Duda,Peter E.Hart,David G.Stork
定 价:59.00元
出版时间:2003/09
内容简介:
本书第1版《模式分类与场景分析》出版于1973年,是模式识别和场景分析领域奠基性的经曲名著。在第2版中,除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外,读者将会发现新增了许多近25年来的新理论和新方法,其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含许多实例,各种不同方法的对比,丰富的图表,以及大量的课后习题和计算机练习。
4
长按二维码了解及购买
《统计学习导论——基于R应用》
ISBN:978-7-111-49771-4
作 者:[美]Gareth James Daniela Witten Trevor Hastie Robert Tibshirani
定 价:79.00元
出版时间:2015/05
内容简介:
本书出自统计学习领域声名显赫的几位专家,结合R语言介绍了分析大数据必不可少的工具,提供一些重要的建模和预测技术,并借助丰富的实验来解释如何用R语言实现统计学习方法。论题包括线性回归、分类、重抽样方法、压缩方法、基于树的方法、支持向量机、聚类等,作者借助彩图和实际案例直观解释这些方法。为了读者更好地理解书中内容,每章后还配有丰富的概念性和应用性练习题。
书中内容与《The Elements of Statistical Learning》的大部分内容相同,但是本书起点低,弱化了数学推导的细节,更注重方法的应用,所以更适合作为入门教材。当然,这本《统计学习导论》不仅是优秀的“统计学习”或“机器学习”课程的教材,也是数据挖掘、数据分析等相关从业者不可或缺的参考书。
5
长按二维码了解及购买
《统计机器学习导论》
ISBN:978-7-111-60072-5
作 者:[日]杉山将
定 价:89.00元
出版时间:2018/05
内容简介:
本书对机器学习的关键知识点进行了全面讲解,帮助读者顺利完成从理论到实践的过渡。书中首先介绍用于描述机器学习算法的统计与概率的知识,接着详细分析机器学习技术的两类主要方法——生成方法和判别方法,后深入研究了如何使机器学习算法在实际应用中发挥更大的作用。本书提供程序源代码,便于读者进行数据分析实践。本书适合高等院校计算机、统计等专业的研究生和高年级本科生阅读,同时也适合相关领域的技术人员参考。
6
长按二维码了解及购买
《机器学习精讲:基础、算法及应用》
ISBN:978-7-111-61196-7
作 者:杰瑞米·瓦特,雷萨·博哈尼,阿格洛斯·K.卡萨格罗斯
定 价:69.00元
出版时间:2019/01
内容简介:
本书为了解机器学习提供了一种独特的途径。书中包含了新颖、直观而又严谨的基本概念描述,它们是研究课题、制造产品、修补漏洞以及实践不可或缺的部分。本书按照几何直觉、算法思想和实际应用(纵贯计算机视觉、自然语言处理、经济学、神经科学、推荐系统、物理学和生物学等学科)的顺序,为读者提供了深入浅出的基础知识和解决实际问题所需的实用工具。本书还包含了基于Python和MATLAB/OCTAVE语言的深入习题,以及对数值优化前沿技术的全面讲解。本书可为机器学习、计算机科学、电子工程、信号处理以及数值优化等领域的学生提供重要的学习资源,也可为这些领域的研究人员和从业者提供理想的参考资料。
7
长按二维码了解及购买
《深入理解机器学习:从原理到算法》
ISBN:978-7-111-54302-2
作 者:[以] 沙伊·沙莱夫-施瓦茨 [加] 沙伊·本-戴维
定 价:79.00元
出版时间:2016/06
内容简介:
本书介绍机器学习方法的原理及方法,同时引入了学习的计算复杂性、凸性和稳定性、PAC贝叶斯方法、压缩界等概念,以及随机梯度下降、神经元网络和结构化输出等方法。作者既讲述重要的机器学习算法的工作原理和动机,还指出其固有的优势和缺点,是有兴趣了解机器学习理论和方法以及应用的学生和专业人员的良好教材或参考书。
8
长按二维码了解及购买
《数据挖掘:实用机器学习工具与技术(原书第4版)》
ISBN:978-7-111-58916-7
作 者:[新西兰]伊恩 H. 威腾 埃贝·弗兰克 马克 A. 霍尔 [加]克里斯多夫 J. 帕尔
定 价:99.00元
出版时间:2017/10
内容简介:
本书是数据挖掘和机器学习领域的经典畅销教材,被国内外众多名校选用。第4版新增了关于深度学习和概率方法的重要章节,同时,备受欢迎的机器学习软件Weka也再度升级。书中全面覆盖了该领域的实用技术,致力于帮助读者理解不同技术的工作方式和应用方式,从而学会在工程实践和商业项目中解决真实问题。本书适合作为高等院校相关课程的教材,同时也适合业内技术人员阅读参考。
9
长按二维码了解及购买
《机器学习:贝叶斯和优化方法(英文版)》
ISBN:978-7-111-56526-0
作 者:[希]西格尔斯?西奥多里蒂斯
定 价:269.00元
出版时间:2017/05
内容简介:
本书对所有主要的机器学习方法和新研究趋势进行了深入探索,涵盖概率和确定性方法以及贝叶斯推断方法。其中,经典方法包括平均/小二乘滤波、卡尔曼滤波、随机逼近和在线学习、贝叶斯分类、决策树、逻辑回归和提升方法等,新趋势包括稀疏、凸分析与优化、在线分布式算法、RKH空间学习、贝叶斯推断、图模型与隐马尔可夫模型、粒子滤波、深度学习、字典学习和潜变量建模等。全书构建了一套明晰的机器学习知识体系,各章内容相对独立,物理推理、数学建模和算法实现精准且细致,并辅以应用实例和习题。本书适合该领域的科研人员和工程师阅读,也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
10
长按二维码了解及购买
《机器学习算法》
ISBN:978-7-111--59513-7
作 者:[意]朱塞佩·博纳科尔索
定 价:69.00元
出版时间:2018/05
内容简介:
本书采用理论与实践相结合的方式,在简明扼要地阐明机器学习原理的基础上,通过大量实例介绍了不同场景下机器学习算法在scikit-learn中的实现及应用。书中还有大量的代码示例及图例,便于读者理解和学习并实际上手操作。另一方面,书中还有很多的延伸阅读指导,方便读者系统性地了解机器学习领域的现有技术及其发展状态。
11
长按二维码了解及购买
《分布式机器学习:算法、理论与实践》
ISBN:978-7-111-60918-6
作 者:刘铁岩 陈薇 王太峰 高飞
定 价:89.00元
出版时间:2018/10
名家推荐:
最近几年,机器学习在许多领域取得了前所未有的成功,由此也彻底改变了人工智能的发展方向,引发了大数据时代的到来。其中最富有挑战性的问题是由分布式机器学习解决的。所以,要了解机器学习究竟能够带来什么样前所未有的新机遇、新突破,就必须了解分布式机器学习。刘铁岩博士和他的合作者的这本书,从理论、算法和实践等多个方面对分布式机器学习这个新的重要学科给出了系统、深刻的讨论,对整个机器学习、大数据和人工智能领域都是一个很大的贡献。我看了这本书受益匪浅。相信对众多关注机器学习的工作人员和学生,这也是一本难得的好书。
——中国科学院院士、普林斯顿大学教授、北京大数据研究院院长 鄂维南
分布式机器学习并非分布式处理技术与机器学习的简单结合。一方面,它必须考虑机器学习模型构成与算法流程本身的特点,否则分布式处理的结果可能失之毫厘、谬以千里;另一方面,机器学习内含的算法随机性、参数冗余性等,又会带来一般分布式处理过程所不具备的、宜于专门利用的便利。市面上关于机器学习的书籍已有许多,但是分布式机器学习的专门书籍还颇少见。刘铁岩博士是机器学习与信息检索领域的国际著名专家,带领的微软亚洲研究院机器学习研究团队成果斐然。此次他们基于分布式机器学习方面的丰富经验推出《分布式机器学习:算法、理论与实践》一书,将是希望学习和了解分布式机器学习的中文读者的福音,必将有力促进相关技术在我国的推广和发展。
——南京大学教授、计算机科学与技术系主任、人工智能学院院长 周志华
作者简介:
刘铁岩 微软亚洲研究院副院长。刘博士的先锋性研究促进了机器学习与信息检索之间的融合,被国际学术界公认为“排序学习”领域的代表人物。近年来他在深度学习、分布式学习、强化学习等方面也颇有建树,发表论文200余篇,被引用近两万次。多次获得最佳论文奖、最高引用论文奖、Springer十大畅销华人作者、Elsevier 最高引中国学者等。被聘为卡内基-梅隆大学(CMU)客座教授、诺丁汉大学荣誉教授、中国科技大学教授、博士生导师;被评为国际电子电气工程师学会(IEEE)会士,国际计算机学会(ACM)杰出会员。
陈薇 微软亚洲研究院机器学习组主管研究员,研究机器学习各个分支的理论解释和算法改进,尤其关注深度学习、分布式机器学习、强化学习、博弈机器学习、排序学习等。陈薇于2011年于中国科学院数学与系统科学研究院获得博士学位,同年加入微软亚洲研究院,负责机器学习理论项目,先后在NIPS、ICML、AAAI、IJCAI等相关领域顶级国际会议和期刊上发表文章。
王太峰 蚂蚁金服人工智能部总监、资深算法专家。他在蚂蚁金服负责AI算法组件建设,算法工作服务于蚂蚁金服的支付、国际、保险等多条业务线。在加入蚂蚁之前他在微软亚洲研究院工作11年,任主管研究员,他的研究方向包括大规模机器学习、数据挖掘、计算广告学等。在国际顶级的机器学习会议上发表近20篇的论文,在大规模机器学习工具开源方面也做出过很多贡献,在微软期间主持开发过DMTK的开源项目。
高飞 微软亚洲研究院副研究员,主要从事分布式机器学习和深度学习的研究工作,并在国际会议上发表多篇论文。2014年设计开发了当时规模最大的主题模型算法和系统LightLDA。他还开发了一系列分布式机器学习系统,并通过微软分布式机器学习工具包(DMTK)开源在GITHUB上。