《圖解機器學習》用豐富的圖示，從ZUI小二乘法出發(fā)，對基于ZUI小二乘法實現(xiàn)的各種機器學習算法進行了詳細的介紹。第Ⅰ部分介紹了機器學習領(lǐng)域的概況；第Ⅱ部分和第Ⅲ部分分別介紹了各種有監(jiān)督的回歸算法和分類算法；第Ⅳ部分介紹了各種監(jiān)督學習算法；第Ⅴ部分介紹了機器學習領(lǐng)域中的新興算法。書中大部分算法都有相應(yīng)的MATLAB程序源代碼，可以用來進行簡單的測試。
187張圖解輕松入門
提供可執(zhí)行的Matlab程序代碼
覆蓋機器學習中最經(jīng)典、用途最廣的算法
專業(yè)實用
東京大學教授、機器學習專業(yè)專家執(zhí)筆，濃縮機器學習的關(guān)鍵知識點
圖文并茂
187張圖示幫助理解，詳略得當，為讀懂大部頭開路。
角度新穎
基于最小二乘法講解各種有監(jiān)督學習的回歸和分類算法，以及無監(jiān)督學習算法。
實戰(zhàn)導向
配有可執(zhí)行的MATLAB程序代碼，邊學習邊實踐。
機器學習領(lǐng)域是深不可測的嗎？人工智能是天方夜譚嗎？時至今日，機器學習研究的重要性與可行性已得到廣泛承認，并在模式識別、通信、控制、金融、機器人、生物信息學等許多領(lǐng)域都有著廣泛的應(yīng)用。
如何自動歸類篩選郵件和網(wǎng)頁？如何向大家推薦你可能感興趣的人？如何預(yù)測整體市場行情的好壞？如何從統(tǒng)計學的角度對照片進行歸類？本書就介紹了這樣一些算法。
如果想得到最通俗、簡潔的講解，本書最為合適。
如果想立即知道算法的性能，并期望有可運行的源代碼，本書最為方便。
很多人都是看著日本的動畫長大的。殊不知，大部分日本人都具有熟練的繪畫能力。他們總可以把復雜、枯燥的事物用惟妙惟肖的漫畫生動地表達出來。廣告、網(wǎng)頁、海報，甚至政府公告都圖文并茂。市面上也有不計其數(shù)的“圖解……”“圖說……”一類的書籍。本書就是其中一例，這也是本書的最大特點。
杉山將博士今年赴任東京大學教授，他在機器學習領(lǐng)域頗有建樹。他的研究室吸引了來自世界各地的機器學習研究者。本書承襲了日本特有的繪畫特色，依靠作者豐富的機器學習經(jīng)驗，用最精簡的文字，將原本復雜抽象的數(shù)學原理，用形象的漫畫與數(shù)據(jù)圖形進行了清晰的說明。作者也將最前沿和最核心的研究成果匯集到了本書之中。
本書的側(cè)重點不在于機器學習原理的相關(guān)推導，而在于結(jié)論的分析和應(yīng)用。讀者朋友可以更快地掌握各種算法的特點和使用方法，提綱挈領(lǐng)地消化應(yīng)用，而不必拘泥于算法的細節(jié)不能自拔。另外，本書旁征博引，圖文并茂，結(jié)構(gòu)清晰，范例實用豐富，深入淺出地說明了機器學習中最典型和用途最廣泛的算法。
本書內(nèi)容覆蓋面廣，不但與市面上眾多的機器學習書籍并無重復，更可與其互為補充。大部分算法都有簡潔、現(xiàn)成的MATLAB源代碼，讀者朋友可以輕松地進行驗證。以此為原型，再稍加修改擴充，即可做出為自己所用的項目代碼。
機器學習領(lǐng)域日新月異，書中所涉及的概念和術(shù)語數(shù)目繁多，且有許多概念和術(shù)語目前尚無公認的中文譯法。如果有不合讀者朋友習慣的術(shù)語出現(xiàn)，請參考譯者注，確認其原始詞意。
本譯稿得到了圖靈公司編輯的悉心指導，她們?yōu)楸ＷC本書的質(zhì)量做了大量的補譯、校正及編輯工作，在此表示深深的謝意。
許永偉
2014年12月于東京
杉山將，1974年生于大阪。東京工業(yè)大學計算機工程學博士畢業(yè)，現(xiàn)為東京大學教授、日本國立信息學研究所客座教授。主要從事機器學習的理論研究和算法開發(fā)，以及在信號和圖像處理等方面的應(yīng)用。2011年獲日本信息處理學會長尾真紀念特別獎。著有《統(tǒng)計機器學習》、DensityRatioEstimationinMachineLearning等。同時也是PatternRecognitionandMachineLearning日文版的譯者之一。
許永偉，2009年赴東京大學攻讀博士學位，現(xiàn)于東京大學空間信息科學研究所從事博士后研究（特任研究員）。主要研究方向為模式識別與機器學習、圖像處理與計算機視覺，對數(shù)據(jù)挖掘、大數(shù)據(jù)和信息架構(gòu)有濃厚興趣。
第I部分 緒 論
第1章 什么是機器學習
1．1 學習的種類
1．2 機器學習任務(wù)的例子
1．3 機器學習的方法
第2章 學習模型
2．1 線性模型
2．2 核模型
2．3 層級模型
第II部分 有監(jiān)督回歸
第3章 最小二乘學習法
3．1 最小二乘學習法
3．2 最小二乘解的性質(zhì)
3．3 大規(guī)模數(shù)據(jù)的學習算法
第4章帶有約束條件的最小二乘法
4．1 部分空間約束的最小二乘學習法
4．2�。�2 約束的最小二乘學習法
4．3 模型選擇
第5章 稀疏學習
5．1�。�1 約束的最小二乘學習法
5．2 ｌ1 約束的最小二乘學習的求解方法
5．3 通過稀疏學習進行特征選擇
5．4�。靝約束的最小二乘學習法
5．5 ｌ1+ｌ2 約束的最小二乘學習法
第6章 魯棒學習
6．1�。�1 損失最小化學習
6．2 Huber損失最小化學習
6．3 圖基損失最小化學習
6．4�。�1 約束的Huber損失最小化學習
第III部分 有監(jiān)督分類
第7章 基于最小二乘法的分類
7．1 最小二乘分類
7．2 0/1 損失和間隔
7．3 多類別的情形
第8章 支持向量機分類
8．1 間隔最大化分類
8．2 支持向量機分類器的求解方法
8．3 稀疏性
8．4 使用核映射的非線性模型
8．5 使用Hinge損失最小化學習來解釋
8．6 使用Ramp損失的魯棒學習
第9章 集成分類
9．1 剪枝分類
9．2 Bagging學習法
9．3 Boosting 學習法
第10章 概率分類法
10．1 Logistic回歸
10．2 最小二乘概率分類
第11 章序列數(shù)據(jù)的分類
11．1 序列數(shù)據(jù)的模型化
11．2 條件隨機場模型的學習
11．3 利用條件隨機場模型對標簽序列進行預(yù)測
第IV部分 監(jiān)督學習
第12章 異常檢測
12．1 局部異常因子
12．2 支持向量機異常檢測
12．3 基于密度比的異常檢測
第13章 監(jiān)督降維
13．1 線性降維的原理
13．2 主成分分析
13．3 局部保持投影
13．4 核函數(shù)主成分分析
13．5 拉普拉斯特征映射
第14章 聚類
14．1 K均值聚類
14．2 核K均值聚類
14．3 譜聚類
14．4 調(diào)整參數(shù)的自動選取
第V部分 新興機器學習算法
第15章 在線學習
15．1 被動攻擊學習
15．2 適應(yīng)正則化學習
第16章 半監(jiān)督學習
16．1 靈活應(yīng)用輸入數(shù)據(jù)的流形構(gòu)造
16．2 拉普拉斯正則化最小二乘學習的求解方法
16．3 拉普拉斯正則化的解釋
第17章 監(jiān)督降維
17．1 與分類問題相對應(yīng)的判別分析
17．2 充分降維
第18章 遷移學習
18．1 協(xié)變量移位下的遷移學習
18．2 類別平衡變化下的遷移學習
第19章 多任務(wù)學習
19．1 使用最小二乘回歸的多任務(wù)學習
19．2 使用最小二乘概率分類器的多任務(wù)學習
19．3 多次維輸出函數(shù)的學習
第VI部分 結(jié) 語
第20章 總結(jié)與展望
參考文獻
書單推薦
