187张图解轻松入门
　　提供可执行的Matlab程序代码
　　覆盖机器学习中实用、用途广的算法
　　专业实用
　　东京大学教授、机器学习研究人员执笔，浓缩机器学习的关键知识点
　　图文并茂
　　187张图示帮助理解，详略得当，为读懂大部头开路。
　　角度新颖
　　基于ZUI小二乘法讲解各种有监督学习的回归和分类算法，以及无监督学习算法。
　　实战导向
　　配有可执行的MATLAB程序代码，边学习边实践。

　　《图解机器学习》用丰富的图示，从ZUI小二乘法出发，对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。

　　杉山将，1974年生于大阪。东京工业大学计算机工程学博士毕业，现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发，以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。

　　许永伟，2009年赴东京大学攻读博士学位，现于东京大学空间信息科学研究所从事博士后研究（特任研究员）。主要研究方向为模式识别与机器学习、图像处理与计算机视觉，对数据挖掘、大数据和信息架构有浓厚兴趣。

目录

第I部分　绪　论
第 1章　什么是机器学习 2
1．1　学习的种类　　2
1．2　机器学习任务的例子　　4
1．3　机器学习的方法　　8
第 2章　学习模型 12
2．1　线性模型　　12
2．2　核模型　　15
2．3　层级模型　　17
第II部分　有监督回归
第3章　**小二乘学习法 22
3．1　**小二乘学习法　　22
3．2　**小二乘解的性质　　25
3．3　大规模数据的学习算法　　27
第4章带有约束条件的**小二乘法 31
4．1　部分空间约束的**小二乘学习法　　31
4．2　ｌ2 约束的**小二乘学习法　　33
4．3　模型选择　　37
第5章　稀疏学习 43
5．1　ｌ1 约束的**小二乘学习法　　43
5．2　ｌ1 约束的**小二乘学习的求解方法　　45
5．3　通过稀疏学习进行特征选择　　50
5．4　ｌp约束的**小二乘学习法　　51
5．5　ｌ1+ｌ2 约束的**小二乘学习法　　52
第6章　鲁棒学习 55
6．1　ｌ1 损失**小化学习　　56
6．2　Huber损失**小化学习　　58
6．3　图基损失**小化学习　　63
6．4　ｌ1 约束的Huber损失**小化学习　　65
第III部分　有监督分类
第7章　基于**小二乘法的分类 70
7．1　**小二乘分类　　70
7．2　0/1 损失和间隔　　73
7．3　多类别的情形　　76
第8章　支持向量机分类 80
8．1　间隔**大化分类　　80
8．2　支持向量机分类器的求解方法　　83
8．3　稀疏性　　86
8．4　使用核映射的非线性模型　　88
8．5　使用Hinge损失**小化学习来解释　　90
8．6　使用Ramp损失的鲁棒学习　　93
第9章　集成分类 98
9．1　剪枝分类　　98
9．2　Bagging学习法　　101
9．3　Boosting 学习法　　105
第 10章　概率分类法 112
10．1　Logistic回归　　112
10．2　**小二乘概率分类　　116
第 11 章序列数据的分类 121
11．1　序列数据的模型化　　122
11．2　条件随机场模型的学习　　125
11．3　利用条件随机场模型对标签序列进行预测　　128
第IV部分　无监督学习
第 12章　异常检测 132
12．1　局部异常因子　　132
12．2　支持向量机异常检测　　135
12．3　基于密度比的异常检测　　137
第 13章　无监督降维 143
13．1　线性降维的原理　　144
13．2　主成分分析　　146
13．3　局部保持投影　　148
13．4　核函数主成分分析　　152
13．5　拉普拉斯特征映射　　155
第 14章　聚类 158
14．1　K均值聚类　　158
14．2　核K均值聚类　　160
14．3　谱聚类　　161
14．4　调整参数的自动选取　　163
第V部分　新兴机器学习算法
第 15章　在线学习 170
15．1　被动攻击学习　　170
15．2　适应正则化学习　　176
第 16章　半监督学习 181
16．1　灵活应用输入数据的流形构造　　182
16．2　拉普拉斯正则化**小二乘学习的求解方法　　183
16．3　拉普拉斯正则化的解释　　186
第 17章　监督降维 188
17．1　与分类问题相对应的判别分析　　188
17．2　充分降维　　195
第 18章　迁移学习 197
18．1　协变量移位下的迁移学习　　197
18．2　类别平衡变化下的迁移学习　　204
第 19章　多任务学习 212
19．1　使用**小二乘回归的多任务学习　　212
19．2　使用**小二乘概率分类器的多任务学习　　215
19．3　多次维输出函数的学习　　216
第VI部分　结 语
第 20章　总结与展望 222
参考文献　　225