推荐序

人工智能、大数据分析、机器人等领域在近年来日益引人瞩目,而机器学习则是其中一类非常重要的理论和工具。Peter Flach 教授的这部著作可作为机器学习的入门图书,帮助广大迫切希望了解和掌握机器学习的同学和工程师奠定良好的基础。

本书各章节的选题恰到好处,不但对经典机器学习框架中的模型做了非常系统的梳理和分类,涵盖了机器学习基础知识的主要部分,如不同的学习模型、特征、集成学习,而且还对机器学习实验,尤其是机器学习算法的评价(ROC分析)给予了特别的关注,这是十分难能可贵的(在一定程度上弥补了同类教科书的空白)。只要理解了上述内容,相信读者便掌握了机器学习的基本要素,同时有能力进一步就一些更专门、更前沿的主题,如在线学习、主动学习、强化学习、深度学习等,进行更为深入的学习和探索。从这个意义上讲,作者对本书的导论性著作的定位已充分地达成了。

对于如何帮助读者充分理解书中的知识点,作者也予以了充分考虑。书中配有相当数量的图解和实例,旨在突出机器学习理论的直观性。这些内容的数学门槛不高,对工程师和工科学生无疑会有很大的帮助。在各章节中,作者还对每种方法的历史影响进行了介绍,相信会十分有助于提升读者的学习兴趣。作者作为在该领域耕耘多年的研究人员,拥有非常丰富的实践经验,在不少章节中都详尽地分享了实践经验,比如特征和实验这两章。相信这些宝贵的经验会为读者朋友们具体实践机器学习理论带来更好的可操作性。

最后要提到译者段菲的翻译,通篇用语规范、表达准确,总体说来是非常不错的翻译版本。作为计算机视觉领域的优秀研究人员,他本人也在使用机器学习方面有着丰富的研究和实践经验,相信这些都为这本书的翻译质量带来不少保证。

张益民

英特尔(中国)研究院首席研究员

2015 年11 月10 日于北京

目录

  • 推荐序
  • 绪论 机器学习概述
  • 第1章 机器学习的构成要素
  • 第2章 两类分类及相关任务
  • 第3章 超越两类分类
  • 第4章 概念学习 
  • 第5章 树模型
  • 第6章 规则模型
  • 第7章 线性模型
  • 第8章 基于距离的模型
  • 第9章 概率模型 
  • 第10章 特征 
  • 第11章 模型的集成
  • 第12章 机器学习的实验
  • 后记 路在何方
  • 记忆要点
  • 参考文献