資料介紹

• 計算機網絡技術

中文名: 機器學習 湯姆·米切爾
英文名: Machine Learning
發行日期: 1997年03月01日
地區: 美國
對白語言: 英語
機器學習 湯姆·米切爾  簡介：

機器學習 湯姆·米切爾  內容介紹：
《機器學習 湯姆·米切爾》自從計算機問世以來，人們就想知道它們能不能自我學習。如果我們理解了它們學習的內在機制，即怎樣使它們根據經驗來自動提高，那麼影響將是空前的。想像一下，在未來，計算機能從醫療記錄中學習，獲取治療新疾病最有效的方法；住宅管理系統分析住戶的用電模式，以降低能源消耗；個人軟件助理跟蹤用戶的興趣，並為其選擇最感興趣的在線早間新聞。對計算機學習的成功理解將開辟出許多全新的應用領域，並使其計算能力和可定制性上升到新的層次。同時，透徹理解機器學習的信息處理算法，也會有助於更好地理解人類的學習能力及缺陷。
《機器學習 湯姆·米切爾》我們還不知道怎樣使計算機具備和人類一樣強大的學習能力。然而，一些針對特定學習任務的算法已經產生。關於學習的理論認識已開始逐步形成。人們開發出很多實踐性的計算機程序來實現不同類型的學習，一些商業化的應用也已經出現。例如，對於語音識別這樣的課題，迄今為止，基於機器學習的算法明顯勝過其他的方法。在數據挖掘領域，機器學習算法理所當然地被用來從包含設備維護記錄、借貸申請、金融交易、醫療記錄等此類信息的大型數據庫中發現有價值的信息。隨著對計算機認識的日益成熟，機器學習必將在計算機科學和技術中扮演越來越重要的角色。
《機器學習 湯姆·米切爾》我們可以通過一些專項成果看到機器學習這門技術的現狀：計算機已經能夠成功地識別人類的講話、預測肺炎患者的康復率、檢測信用卡的欺詐、在高速公路上自動駕駛汽車、以接近人類世界冠軍的水平對弈西洋雙陸棋這樣的游戲等。已有很多理論成果能夠對訓練樣例數量、假設空間大小和已知假設中的預期錯誤這三者間的基本關系進行刻畫。人類正開始獲取人類和動物學習的原始模型，用以理解它們和計算機的學習算法間的關系。在過去的十年中，無論是應用、算法、理論，還是生物系統的研究，都取得了令人矚目的進步。
《機器學習 湯姆·米切爾》“機器學習”一般被定義為一個系統自我改進的過程，但僅僅從這個定義來理解和實現機器學習是困難的。從最初的基於神經元模型以及函數逼近論的方法研究，到以符號演算為基礎的規則學習和決策樹學習的產生，和之後的認知心理學中歸納、解釋、類比等概念的引入，至最新的計算學習理論和統計學習的興起，當然還包括基於馬爾可夫過程的增強學習，機器學習一直都在相關學科的實踐應用中起著主導作用。研究人員們借鑒了各個學科的思想來發展機器學習，但關於機器學習問題的實質究竟是什麼尚無定論。不同的機器學習方法也各有優缺點，只在其適用的領域內才有良好的效果。因此，以枚舉的方法描述機器學習中的各個理論和算法可能是最合適的途徑。
《機器學習 湯姆·米切爾》一書正是以這種途徑來介紹機器學習的。其主要涵蓋了目前機器學習中各種實用的理論和算法，包括概念學習、決策樹、神經網絡、貝葉斯學習、基於實例的學習、遺傳算法、規則學習、基於解釋的學習和增強學習等。對每一個主題，作者不僅進行了十分詳盡和直觀的解釋，還給出了實用的算法流程。此外，書中還包括一章對學習算法的精度進行實驗評估的內容。書後的習題和參考文獻提供了進一步思考相關問題的線索，在附錄的網址上，讀者也可以找到關於該書的講演幻燈片、例子程序和數據等信息。在卡內基梅隆等許多大學，本書都被作為機器學習課程的教材。
目前，機器學習從很多學科吸收了成果和概念，包括統計學、人工智能、哲學、信息論、生物學、認知科學、計算復雜性和控制論等。研究機器學習的最佳途徑是從這些學科的觀點看待機器學習，並且以此來理解問題的背景、算法以及其中隱含的假定。這些在以往很難做到，因為在這一領域缺少包容廣泛的原始資料，本書的主要目的就是提供這樣的一份資料。
《機器學習 湯姆·米切爾》這門學科研究的是能通過經驗自動改進的計算機算法，其應用從數據挖掘程序到信息過濾系統，再到自動機工具，已經非常豐富。機器學習從很多學科吸收了成果和概念，包括人工智能、概論論與數理統計、哲學、信息論、生物學、認知科學和控制論等，並以此來理解問題的背景、算法和算法中的隱含假定。
《機器學習 湯姆·米切爾》由於素材的多學科性，本書不要求讀者具有相應的知識背景，而是在必要時介紹其他一些學科的基本概念，如統計學、人工智能、信息論等，介紹的重點是與機器學習關系最密切的那些概念。因此，本書可以當作計算機科學與工程、統計學和社會科學等專業的大學生或研究生的教材，也可作為軟件研究人員或從業人員的參考資料。
機器學習 湯姆·米切爾   目錄：
01 Introduction
02 Concept Learning and the General-to-Specific Ordering
03 Decision Tree Learning
04 Artificial Neural Networks
05 Evaluating Hypotheses
06 Bayesian Learning
07 Computational Learning Theory
08 Instance-Based Learning
09 Genetic Algorithms
10 Learning Sets Rules
11 Analytical Learning
12 Combining Inductive and Analytical Learning
13 Reinforcement Learning