商品簡介
《機器學習：貝葉斯和優化方法（原書第2版）》對所有重要的機器學習方法和新近研究趨勢進行了深入探索，通過講解監督學習的兩大支柱——回歸和分類，站在全景視角將這些繁雜的方法一一打通，形成了明晰的機器學習知識體系。
新版對內容做了全面更新，使各章內容相對獨立。全書聚焦於數學理論背後的物理推理，關注貼近應用層的方法和算法，並輔以大量實例和習題，適合該領域的科研人員和工程師閱讀，也適合學習模式識別、統計/自適應信號處理、統計/貝葉斯學習、稀疏建模和深度學習等課程的學生參考。
此外，《機器學習：貝葉斯和優化方法（原書第2版）》的所有代碼均可免費下載，包含MATLAB和Python兩個版本。
《機器學習：貝葉斯和優化方法（原書第2版）》重要更新及特色：
重寫了關於神經網絡和深度學習的章節，以反映自第1版以來的研究進展。這一章從感知器和前饋神經網絡的基礎概念開始討論，對深度網絡進行了深入研究，涵蓋較新的優化算法、批標準化、正則化技術（如Dropout方法）、CNN和RNN、注意力機制、對抗樣本和對抗訓練、膠囊網絡、生成架構（如RBM）、變分自編碼器和GAN。
擴展了關於貝葉斯學習的內容，包括非參數貝葉斯方法，重點討論中國餐館過程（CRP）和印度自助餐過程（IBP）。
追蹤新的研究趨勢，包括稀疏、凸分析與凸優化、在線分布式算法、RKH空間學習、貝葉斯推斷、圖模型與隱馬爾可夫模型、粒子濾波、深度學習、字典學習和潛變量建模等。
提供實用案例分析，包括蛋白質折疊預測、光學字符識別、文本作者身份識別、fMRI數據分析、變點檢測、高光譜圖像分離、目標定位等。
作者簡介
西格爾斯·西奧多裡蒂斯（Sergios Theodoridis），雅典大學榮休教授，曾任香港中文大學（深圳）教授，研究興趣包括機器學習、模式識別和信號處理等。他是IEEE Fellow、IET Fellow、EURASIP Fellow，曾任IEEE信號處理協會副主席、EURASIP主席以及IEEE Transactions on Signal Processing主編。曾獲2017年EURASIP Athanasios Papoulis獎，2014年IEEE Signal Processing Magazihe論文獎，以及2014年EURASIP價值服務獎等。此外，他還是經典著作《模式識別》的首作者。
王剛，南開大學計算機學院和網絡空間安全學院教授、博士生導師。研究興趣包括海量信息存儲、並行與分布式計算、搜索引擎等，在分布式存儲系統可靠性技術、云存儲用戶數據隱私保護、搜索引擎性能優化等方向取得一系列重要成果。
李忠偉，南開大學計算機學院和網絡空間安全學院副教授、碩士生導師。研究興趣包括分布式存儲、數據治理、人工智能倫理等，在分布式存儲系統可靠性技術、軟件工程等方向取得一系列研究成果。
任明明，南開大學計算機學院和網絡空間安全學院副教授。研究興趣包括並行計算及應用、搜索引擎、應用與計算數學等，在生物信息學中的系統發育計算、搜索引擎中的GPU優化、偏微分方程數值求解等方向取得一系列研究成果。
名人推薦
全景式呈現機器學習方法和新研究趨勢，重寫了關於神經網絡和深度學習的章節，擴展了關於貝葉斯學習的內容
序
機器學習（machine learning）這個名字正受到越來越多的關注，它涵蓋數十年來在不同科學領域中研究和開發的很多方法，這些方法有著不同的名字，如統計學習、統計信號處理、模式識別、自適應信號處理、圖像處理與分析、系統辨識與控制、數據挖掘與信息檢索、計算機視覺以及計算學習。“機器學習”這個名字指出了所有這些學科的共同之處，即從數據中學習（learn from data）然後做出預測（make prediction）。人們嘗試通過構造一個模型（model）來從數據中學習其深層結構和規律，而這個模型即可用於預測。
為此，人們已經提出了從代價函數優化（其目標是優化觀測到的數據結果與模型預測結果間的偏差）到概率模型（試圖對觀測到的數據的統計特徵進行建模）等許多不同的方法。
本書的目標是通過介紹多年來研究者所遵循的主要路線和方法來營造一體式的學習體驗，引導讀者逐步探究機器學習領域。我並不傾向於某種特定的方法，因為我相信無論是從應用角度還是從教學角度看，所有方法對希望探索機器學習奧秘的初學者而言都是有價值的。如書名所示，本書重點關注機器學習的處理和分析，而非機器學習理論本身及相關的性能界限。換句話說，我們重點關注更靠近應用層的方法和算法。
本書是我超過30年的相關研究經驗和相關課程教學經驗的結晶。本書的寫作方法是令每一章（或相鄰兩章）盡可能獨立成篇。這樣，教師就可以根據需要選擇、組合某些章節以構成其課程的重點，普通讀者也可以在首次閱讀時根據需要有選擇地精讀某些章節。在第1章中，我將給出針對不同課程使用本書的一些指導。
本書每章都從基本概念和基本方法開始，逐漸深入一些新進展。某些主題需要分為兩章，例如稀疏感知學習、貝葉斯學習、概率圖模型以及蒙特卡羅方法。本書能滿足高年級本科生、研究生的學習需求，也適合不滿足於黑盒解決方案的科學家與工程師閱讀。此外，本書也能作為特定主題短期課程的教材或參考書，例如稀疏建模、貝葉斯學習、概率圖模型、神經網絡和深度學習等主題。
目次
譯者序
前言
致謝
作者簡介
符號說明
第1章 引言
1．1 歷史背景
1．2 人工智能與機器學習
1．3 算法能學習數據中隱藏的東西
1．4 機器學習典型應用
1．4．1 語音識別
1．4．2 計算機視覺
1．4．3 多模態數據
1．4．4 自然語言處理
1．4．5 機器人
1．4．6 自動駕駛
1．4．7 未來的挑戰
1．5 機器學習的主要方向
1．5．1 監督學習
1．6 無監督和半監督學習
1．7 本書結構和路線圖
參考文獻
第2章 概率和隨機過程
2．1 引言
2．2 概率和隨機變量
2．2．1 概率
2．2．2 離散隨機變量
2．2．3 連續隨機變量
2．2．4 均值和方差
2．2．5 隨機變量變換
2．3 分布示例
2．3．1 離散變量
2．3．2 連續變量
2．4 隨機過程
2．4．1 一階和二階統計量
2．4．2 平穩性和遍歷性
2．4．3 功率譜密度
2．4．4 自回歸模型
2．5 信息論
2．5．1 離散隨機變量
2．5．2 連續隨機變量
2．6 隨機收斂
2．6．1 處處收斂
2．6．2 幾乎處處收斂
2．6．3 均方意義下的收斂
2．6．4 依概率收斂
2．6．5 依分布收斂
習題
參考文獻
第3章 參數化建模學習：概念和方向
3．1 引言
3．2 參數估計：確定性觀點
3．3 線性回歸
3．4 分類
3．4．1 生成和判別學習
3．5 有偏估計與無偏估計
3．5．1 選擇有偏還是無偏估計
3．6 克拉美一羅下界
3．7 充分統計量
3．8 正則化
3．8．1 逆問題：病態和過擬合
3．9 偏差一方差困境
3．9．1 均方誤差估計
3．9．2 偏差一方差權衡
3．10 最大似然法
3．10．1 線性回歸：非白高斯噪聲實例
3．11 貝葉斯推斷
3．11．1 最大後驗概率估計方法
3．12 維數災難
3．13 驗證
3．13．1 交叉驗證
3．14 期望損失函數和經驗風險函數
3．14．1 可學習性
3．15 非參數建模和非參數估計
習題
參考文獻
第4章 均方誤差線性估計
4．1 引言
4．2 均方誤差線性估計：正規方程
4．2．1 代價函數曲面
4．3 幾何觀點：正交性條件
4．4 擴展到復值變量
4．4．1 寬線性復值估計
4．4．2 復值變量優化：沃廷格微積分
4．5 線性濾波
4．6 均方誤差線性濾波：頻率域觀點
4．6．1 反卷積：圖像去模糊
4．7 一些典型應用
4．7．1 干擾抵消
4．7．2 系統辨識
4．7．3 反卷積：信道均衡
4．8 算法方面：萊文森算法和格一梯算法
4．8．1 前向後向均方誤差最優預測
4．8．2 格一梯方案
4．9 線性模型均方誤差估計
4．9．1 高斯一馬爾可夫定理
4．9．2 約束線性估計：波束成形實例
4．10 時變統計：卡爾曼濾波
習題
參考文獻
……
第5章 隨機梯度下降：LMS算法族
第6章 最小二乘算法族
第7章 分類：經典方法導覽
第8章 參數學習：凸分析方法
第9章 稀疏感知學習：概念和理論基礎
第10章 稀疏感知學習：算法和應用
第11章 再生核希爾伯特空間中的學習
第12章 貝葉斯學習：推斷和EM算法
第13章 貝葉斯學習：近似推斷和非參模型
第14章 蒙特卡羅方法
第15章 概率圖模型：第一部分
第16章 概率圖模型：第二部分
第17章 粒子濾波
第18章 神經網絡和深度學習
第19章 降維與潛變量模型
索引
在線章節李忠偉
