机器学习与深度学习算法基础

作者简介

　　贾壮，毕业于清华大学自动化系，专业为模式识别与智能系统方向。主要从事于机器学习与深度学习在图像处理以及地球物理领域内的相关应用研究，对机器学习相关算法有较深的理解。参与过多项机器学习相关工程项目，发表SCI期刊论文及会议论文数篇。曾获得国家奖学金、数学建模一等奖、优秀毕业生等奖项和荣誉称号。

内容简介

广义上来说，机器学习算法包含以神经网络为基础的深度学习算法。但是由于近年来神经网络在各种机器学习任务上的优异表现，人们开始倾向于将传统的机器学习算法（如后面将要讲的SVM，k 近邻等）和深度学习区分开来。当然这样做也是合理的，因为深度学习理论和应用的研究从深度和广度上来说已然可以自成一体。并且，现今人工智能的工业产品中（如人脸识别、证件识别、智能问答、病理检测等），以深度学习为算法支撑的占绝大多数。作为机器学习领域的学习者，对于深度学习的相关内容自然应当予以足够的重视，因此本书将深度学习内容单独作为一篇，进行较为详细的介绍。 现在我们已经基本对这些常见的概念有所了解了，下面将用一个示例来具体说明传统算法与机器学习算法的区别，然后以线性回归及其相关“变体”来介绍机器学习的基本原理。 1.全面：涉及机器学习领域中常见的经典模型，以及新兴的深度学习中的卷积神经网络、循环神经网络、生成对抗网络等模型。 2.细致：不仅对算法思路的进行了详细的梳理和分析，还对算法中每个步骤、每条公式的含义都进行了细致的讲解。 3.通用：让读者学习到经典模型的算法步骤和数学形式，更重要的是理解每个算法形成的思路和过程，培养算法思维，获得在日常工作和学习中更为通用的能力。 4.扩展：每章的最后一节都有一个关于相关话题的讨论，可以使读者拓展视野，增加阅读的深度、广度。