具体描述
本书用丰富的图示，从最小二乘法出发，对基于最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部分介绍了各种无监督学习算法；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。
本书适合所有对机器学习有兴趣的初学者阅读。
187张图解轻松入门
提供可执行的Matlab程序代码
覆盖机器学习中最经典、用途最广的算法
专业实用
东京大学教授、机器学习权威专家执笔，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
基于最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。
作者简介
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》、Density Ratio Estimation in Machine Learning等。同时也是Pattern Recognition and Machine Learning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。
目录信息
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 最小二乘学习法 22
3.1 最小二乘学习法 22
3.2 最小二乘解的性质 25
3.3 大规模数据的学习算法 27
第4章带有约束条件的最小二乘法 31
4.1 部分空间约束的最小二乘学习法 31
4.2 ｌ2 约束的最小二乘学习法 33
4.3 模型选择 37
第5章 稀疏学习 43
5.1 ｌ1 约束的最小二乘学习法 43
5.2 ｌ1 约束的最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约束的最小二乘学习法 51
5.5 ｌ1+ｌ2 约束的最小二乘学习法 52
第6章 鲁棒学习 55
6.1 ｌ1 损失最小化学习 56
6.2 Huber损失最小化学习 58
6.3 图基损失最小化学习 63
6.4 ｌ1 约束的Huber损失最小化学习 65
第III部分 有监督分类
第7章 基于最小二乘法的分类 70
7.1 最小二乘分类 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 间隔最大化分类 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损失最小化学习来解释 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 最小二乘概率分类 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 拉普拉斯正则化最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 使用最小二乘回归的多任务学习 212
19.2 使用最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
· · · · · · (收起)
读后感
说图解不太合适，其实大多只是正文插入了几张萌图。 如果你一点数学都不懂，想看图学会，那肯定要大失所望的。 书很小很薄，定价似乎稍高了点，不过主要的东西也都有了，简要介绍理论之后给出matlab代码，可以当作一本小字典迅速浏览。
很多数学公式，比起教科书强了那么一点。 如果没有概率基础，没有行列式基础，那么看书一样很吃力。 当然，只要坚持刨根问底，不去推导公式，仅仅理解一下还是有用的。 记得微软的一个机器学习类库，有个讲侦探的故事来说明贝叶斯推理机的原理。很不错 重点还是在于数学基础，...
很多数学公式，比起教科书强了那么一点。 如果没有概率基础，没有行列式基础，那么看书一样很吃力。 当然，只要坚持刨根问底，不去推导公式，仅仅理解一下还是有用的。 记得微软的一个机器学习类库，有个讲侦探的故事来说明贝叶斯推理机的原理。很不错 重点还是在于数学基础，...
很多数学公式，比起教科书强了那么一点。 如果没有概率基础，没有行列式基础，那么看书一样很吃力。 当然，只要坚持刨根问底，不去推导公式，仅仅理解一下还是有用的。 记得微软的一个机器学习类库，有个讲侦探的故事来说明贝叶斯推理机的原理。很不错 重点还是在于数学基础，...
说图解不太合适，其实大多只是正文插入了几张萌图。 如果你一点数学都不懂，想看图学会，那肯定要大失所望的。 书很小很薄，定价似乎稍高了点，不过主要的东西也都有了，简要介绍理论之后给出matlab代码，可以当作一本小字典迅速浏览。
用户评价
这本书的内容，可以说是非常深入浅出了。我特别欣赏作者在解释概念时的“接地气”，他并没有回避机器学习中的一些核心概念，比如过拟合、欠拟合、偏差-方差权衡等等，但他会用一些非常贴近生活的例子来类比，让你在哈哈一笑的同时，就记住了那些重要的原理。我记得有一次看到关于决策树的部分，作者用了一个“买不买”的例子，通过一系列的“是”或“否”的问题，最终导出一个决策，这个过程就完美地模拟了决策树的构建。还有关于聚类算法，比如K-Means，他没有直接讲算法的数学步骤，而是用一群小动物需要分成几类来举例，先随机分几组，然后计算中心，再重新分配，循环往复，直到稳定。这种循序渐进、由浅入深的方式，让我觉得学习机器学习就像是在玩一场精彩的益智游戏，每解决一个问题，都能获得成就感。更让我惊喜的是，书中对于一些相对高阶的主题，比如神经网络的初步介绍，也做得非常出色。他没有直接跳到深度学习的复杂网络结构，而是从最基本的感知机模型讲起，然后逐步介绍激活函数、多层感知机，以及反向传播算法。即使是反向传播这样通常被认为是比较难理解的部分，作者也通过图示和简单的数学推导，将其分解成易于理解的步骤。这本书的排版也很舒服，文字和图片比例恰当，不会让人感到眼花缭乱。我感觉自己就像是在一位经验丰富的老师的带领下，一步步走进机器学习的奇妙世界，学到的知识既扎实又有趣。
我之前对机器学习的理解，一直停留在“能用，但不理解为什么能用”的阶段。很多时候，看到别人的代码，觉得很厉害，但自己尝试去写，就感觉无从下手，也不知道背后的原理是什么。《图解机器学习》这本书，恰恰填补了我这方面的知识空白。它不仅仅是告诉“怎么做”，更重要的是解释了“为什么这么做”。比如，在讲解线性回归时，它详细地分析了最小二乘法的原理，以及为什么选择平方误差作为损失函数。我之前一直觉得莫名其妙，为什么要把误差平方，看完这本书，我才明白这和统计学中的方差概念有关，也和防止异常值的影响有关。还有，在介绍正则化（Regularization）时，作者用了一个“简洁模型更受欢迎”的比喻，形象地解释了L1和L2正则化如何惩罚模型复杂度，从而防止过拟合。这些细节上的讲解，让我对算法的理解更加深入，也让我更有信心去调整模型参数，去解决实际问题。这本书的另一个亮点是，它对不同算法的适用场景和优缺点进行了比较分析，这对于我们在实际项目中选择合适的算法非常有帮助。它会告诉你，在什么样的数据集上，用什么算法效果更好，为什么。这种“知其然，更知其所以然”的学习方式，是我一直以来都渴望的。这本书让我觉得，机器学习不再是黑箱操作，而是可以通过理解原理来驾驭的工具。
我是一名工作多年的开发者，一直想涉足机器学习领域，但总觉得时间精力有限，难以系统学习。《图解机器学习》这本书，正好满足了我的需求。它最大的特点是“内容精炼，重点突出”，在有限的篇幅内，尽可能地涵盖了机器学习中最核心、最常用的算法和概念。作者的讲解非常务实，他不会花太多时间去讨论一些过于偏门的理论，而是专注于那些在实际项目中能够用得上、看得懂的知识。比如，他用了一个非常简洁的方式介绍了常用的回归和分类算法，包括它们的原理、优缺点以及适用场景。让我印象深刻的是，书中对于模型评估的部分，详细讲解了各种评估指标，如准确率、召回率、F1分数、ROC曲线等，并解释了它们在不同场景下的意义。这对于我这种需要交付实际产品的人来说，非常有价值。而且，书中提供的代码示例，也是基于常用的机器学习库，如Scikit-learn，这让我可以快速地将学到的知识应用到实际的项目中。我觉得这本书的结构设计也很合理，它将内容划分成了多个章节，每个章节都聚焦于一个特定的主题，让我可以有条不紊地进行学习。这本书的语言风格也比较平实，没有过多的华丽辞藻，直击核心，让我能迅速抓住要点。总体来说，《图解机器学习》是一本非常适合忙碌的开发者快速入门和巩固机器学习知识的书籍。
作为一名非计算机专业的学生，我对机器学习的兴趣，最初是被它的强大能力所吸引。然而，当我去阅读一些更专业的书籍时，常常会被大量的数学符号和抽象的理论推导搞得头晕眼花。《图解机器学习》的出现，可以说彻底改变了我的学习体验。它最大的优点在于“图解”这个词，名副其实。书中大量的图示，不是那种简单的示意图，而是精心设计的、能够清晰展现算法逻辑和数据流动的图。我尤其喜欢它对神经网络的介绍，从最基础的神经元模型，到多层网络，再到卷积神经网络（CNN）和循环神经网络（RNN）的初步概念，都配有非常直观的图示。例如，讲解CNN中的卷积层和池化层时，作者用了一个逐步提取特征的动画效果图，我一下子就明白了这些操作是如何工作的。同样，对于一些复杂的统计学概念，比如概率分布、贝叶斯定理等，书中也通过可视化图表来解释，让这些抽象的概念变得生动形象。我感觉这本书就像一个充满耐心的导师，一步一步地引导我走出困惑，让我逐渐掌握机器学习的核心知识。它没有要求我成为一个数学家，而是让我成为一个能够理解和运用机器学习的实践者。这种“以图为媒”的学习方式，极大地激发了我学习的兴趣，也让我觉得机器学习的学习过程充满乐趣。
《图解机器学习》这本书，我早就听说过，一直想入手一本，但总是因为各种原因耽搁了。这次终于下定决心，看完之后，真是感觉相见恨晚！尤其是对于我这种理论基础相对薄弱，又想快速入门机器学习领域的读者来说，这本书简直就是及时雨。它没有上来就扔一堆复杂的数学公式和抽象的概念，而是通过大量的图示，将原本晦涩难懂的算法原理变得清晰易懂。我记得其中关于支持向量机（SVM）的讲解，作者用几何空间中的“间隔”和“超平面”来比喻，再辅以直观的二维图形，我瞬间就理解了SVM的核心思想，这比我之前看过的任何文字资料都来得透彻。而且，书中对于一些关键算法的推导过程，也做了大量的可视化处理，比如逻辑回归的梯度下降过程，看着一个个小箭头在图形上指引方向，我仿佛能亲身感受到参数是如何一步步优化的。这本书的优点还在于，它并不仅仅停留在理论层面，还结合了大量的代码示例，虽然我还没有全部亲自敲一遍，但光是看着代码和图示的对照，我就能大概理解每个算法在实际应用中是如何实现的。这让我对机器学习的应用前景充满了信心，也让我觉得，学习机器学习不再是遥不可及的数学游戏，而是触手可及的工程实践。总而言之，这本书对我来说，是一次非常愉快的学习体验，它成功地降低了机器学习的学习门槛，让我看到了掌握这项强大技术的希望。
尼玛都没图这也叫图解？公式贼多。建议看《机器学习实战》
不是入门书，对于相关知识没有了解的话，看不明白
极好，非常适合初学者。日本人，有点意思。
极好，非常适合初学者。日本人，有点意思。
比较失望，大部分都在讲解公式，有一些基本的统计和概率论内容，但是翻译的很不好。都不是用统计学通用名词，怪怪的
