链接: https://pan.baidu.com/s/1gNit3WeuF2YYk52vh3nb9w?pwd=qn1c 提取码: qn1c
出版社： 机械工业出版社
ISBN：9787111680482
版次：1
商品编码：13284666
品牌：机工出版
包装：平装
丛书名： 智能科学与技术丛书
开本：16开
出版时间：2021-05-01
用纸：胶版纸
页数：200
产品特色
编辑推荐
适读人群 ：理论计算机科学家、机器学习研究人员以及相关专业的学生
本书基于麻省理工学院在2013年秋季、2015年春季和2017年秋季开设的“Algorithmic Aspects of Machine Learning”课程编写，探索理论计算机科学和机器学习这两个领域能够互相借鉴的知识，以此把它们关联起来。向理论计算机科学家介绍机器学习中的重要模型和主要问题，并以一种可访问的形式向机器学习研究人员介绍前沿研究成果以及现代算法工具，包括矩量法、张量分解法和凸规划松弛法。
内容简介
本书探索理论计算机科学和机器学习这两个领域能够互相借鉴的知识，以此把它们关联起来。本书介绍机器学习中的重要模型和主要问题，并以一种容易理解的方式介绍该领域的前沿研究成果以及现代算法工具，包括矩量法、张量分解法和凸规划松弛法。本书共8章，内容涵盖非负矩阵分解、主题模型、张量分解、稀疏恢复、稀疏编码、高斯混合模型和矩阵补全等。本书适合理论计算机科学家、机器学习研究人员以及相关专业的学生阅读和学习。
作者简介
安柯·莫特拉（Ankur Moitra）
麻省理工学院洛克威尔国际数学系副教授。他是麻省理工学院计算机科学和人工智能实验室（CSAIL）的首席研究员，也是计算理论小组、机器学习和统计中心的核心成员。他的工作目标是通过开发在行为推理方面具有可证明的保证和基础的算法，来在理论计算机科学和机器学习之间架起一座桥梁。他是帕克德奖学金、斯隆奖学金、美国国家科学基金会（NSF）终身成就奖、NSF计算与创新奖学金和赫兹奖学金的获得者。
◆ 译者简介 ◆
庄福振 北京航空航天大学研究员、博士生导师，于2011年7月在中国科学院研究生院获得博士学位。主要从事机器学习、数据挖掘，包括迁移学习、多任务学习、推荐系统以及大数据挖掘应用等方面的研究，相关成果已经在本领域顶级、重要国际期刊和国际会议上发表/录用论文100余篇。迁移学习的工作曾获得SDM2010和CIKM2010的最佳论文提名，2013年获得中国人工智能学会优秀博士学位论文奖。入选2015年微软亚洲研究院青年教师“铸星计划”，2017年入选中国科学院青年创新促进会。
赵朋朋 苏州大学教授，博士生导师，苏州工业园区科技领军人才, CCF 高级会员，CCF人工智能与模式识别专委会委员，CCF大数据专家委员会通讯委员。近年来，主持国家自然科学基金项目2项、省市级项目5项，获苏州市科技进步奖 2项；参加国家自然科学基金项目、教育部重点项目、江苏省重大科技支撑与自主创新项目等6项；主持多项企业/国防横向项目研发，包括推荐引擎、流式数据处理、大数据分析等。在相关学术会议和期刊上发表论文100余篇，其中包括50余篇TKDE、AAAI、IJCAI、WWW、ACM MM、ICDM等CCF-A/B类论文，被SCI、EI索引收录100余篇；申请国家发明专利30余项，其中20余项已获授权。担任AAAI、IJCAI、CIKM、DASFAA、PAKDD等权威国际会议程序委员会委员。主要研究兴趣包括推荐系统、数据挖掘、深度学习、大数据分析等。
精彩书评
本书是关于机器学习和理论计算机科学的结合领域先进的介绍，由该领域的一位领先专家精心撰写。
——Tim Roughgarden，斯坦福大学
本书是一个宝典。它由一系列精心挑选和组织的章节组成，每章集中介绍机器学习应用中出现的一个算法问题。在阅读过程中，读者可以从代数、概率、几何和分析方面学习算法背后的新数学技巧及其复杂性。所有这些知识都以清晰直观的方式传递。
——Avi Wigderson，普林斯顿高等研究院
一本非常易读的导论，介绍了一系列精心策划的主题和算法。本书是对理论机器学习和应用数学感兴趣的学生和研究人员的一个极好的资源。
——Sanjeev Arora, 普林斯顿大学
本书清晰地介绍了无监督机器学习中重要的算法问题，描述了这些问题目前所面临的挑战，为解决这些问题提供了已知的可证明的保证，并解释了使用的重要算法技术。本书对该领域的教师、学生以及所有对了解和推进这一领域的研究感兴趣的人来说都是无价的资源。
——Avrim Blum, 丰田工业大学芝加哥分校
Moitra写了一本关于理论计算机科学和机器学习之间关联的高水平、快节奏的书。强烈推荐！
——M. Bona，Choice杂志
证明简单但未经证明的主张的挑战和更深入的主题介绍使它成为一本迷人的书。……书中最好的部分之一是每章的介绍，它们彻底地启发了各章的主题。
——Sarvagya Upadhyay，SIGACT News
目录
译者序
前言
第1章引言
第2章非负矩阵分解
21介绍
22代数算法
23稳定性和可分离性
24主题模型
25练习
第3章张量分解：算法
31旋转问题
32张量入门
33Jennrich算法
34矩阵摄动界
35练习
第4章张量分解：应用
41进化树和隐马尔可夫模型
42社区发现
43扩展到混合模型
44独立成分分析
45练习
第5章稀疏恢复
51介绍
52非相干性和不确定性原理
53追踪算法
54Prony方法
55压缩感知
56练习
第6章稀疏编码
61介绍
62不完备情况
63梯度下降
64过完备情况
65练习
第7章高斯混合模型
71介绍
72基于聚类的算法
73密度估计的讨论
74无聚类算法
75单变量算法
76代数几何视图
77练习
第8章矩阵补全
81介绍
82核范数
83量子高尔夫
参考文献
索引
查看全部↓
前言/序言
译者序
Algorithmic Aspects of Machine Learning
随着人工智能在近十年的不断兴起，以及计算科学技术的发展进步，学术界/工业界对机器学习算法的研究逐渐深入，很多实际应用问题得以解决。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习是人工智能的核心，主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断完善。
虽然机器学习的覆盖范围比较广，但本书主要集中在处理矩阵数据的矩阵运算算法方面，专业性比较强。相对于以往专注于机器学习理论以及机器学习算法实践方面的书籍，本书应该介于这两者之间，目的是使读者针对算法“知其然且知其所以然”。本书可以作为相关专业本科高年级学生或研究生的教材。
非常感谢本书作者的信任和机械工业出版社的委托，本书的翻译是由我和苏州大学的赵朋朋老师合作完成的。我们两个人的研究方向都是机器学习、数据挖掘，包括迁移学习、推荐系统等。还有一些研究生也参与了本书的翻译工作，他们是（排名不分先后）：郭庆