本书是一本零基础的Illustrator软件的实战教材，旨在介绍如何使用Illustrator软件在平面设计领域的使用方法与技巧。本书首先介绍Illustrator软件在平面领域中的主要应用范围和领域，然后逐步由浅入深的介绍如何使用软件完成图形的设计与编辑、路径的绘制与编辑、图形样式的创建与编辑、文本与图表的创建与编辑、图层与蒙版的应用、效果类应用方法、混合与封套的应用方法等。
书籍中所涉及的案例都是平面设计领域中最为常见与普及度比较广泛的案例，让读者在熟悉和掌握Illustrator软件的同时对平面设计中的规范有一个详细并深入的了解。
1.针对零基础。每个内容以典型的例子说明算法的应用环境、数据原理，公式的实现。
2.给方法有演练。不仅给出传统的例子和代码，还给出模型以下三方面的内容：1）不同参数的结果，理解原理和模型的能力；2）公式的变种，达到举一反三。3）给出方法的典型应用。
3.通俗易懂。目标是让只有大学本科教育基础的人，能在第一次阅读能明白60%，第二次能明白90%。
4.资源丰富。教学PPT、源代码、教学大纲、教案、习题解答，还有重要知识点的微课讲解等。
庞俊彪 庞俊彪长期从事模式识别、机器学习等相关领域的科研研究，获得国家自然科学基金面上项目和重点项目的支持，北京市自然科学基金面上等项目的支持，其学术成果发表30余篇IEEE 会刊和CCF推荐顶级论文。庞俊彪所带领的实验室的科研人员，长期从事与机器学习与多媒体技术相关领域的前沿项目研究，对于现有技术的发展可以做到准确的把控，有丰富的实践项目经验做支撑。
目录 1
第 1章 机器学习引论 12
1.1 什么是人工智能 12
1.1.1 人工智能发展历程 13
1.2 什么是机器学习 20
1.2.1 机器学习的定义 21
1.2.2 机器学习的分类 21
1.2.3 机器学习就是专门研究算法？ 22
1.3 如何学习机器学习 25
1.3.1 编程能力与实践 28
1.4 本章小结 31
1.5 习题 32
34
第 2章 概率密度估计 34
2.1 频率学派与贝叶斯学派 34
2.1.1 频率学派 34
2.1.2 贝叶斯学派 35
2.2 最大似然估计和最大后验估计 36
2.2.1 最大似然估计 36
2.2.2 最大后验估计 40
2.3 特殊先验分布下的最大后验估计 42
2.3.1 高斯先验 42
2.3.2 拉普拉斯先验 42
2.4 本章小结 43
2.5 习题 43
46
第3章 感知机 46
3.1 感知机模型 46
3.2 感知机的损失函数 48
3.3 感知机的学习算法 49
3.3.2 机器学习算法的一般编程模式 50
3.4 本章小结 59
3.5 习题 59
第4章 Logistic回归 64
4.1 Logistic的物理含义 64
4.2 logistic回归的参数估计 65
4.3 评价标准 72
4.4 多类分类和归一化指数函数（Softmax函数） 75
4.5 本章小结 77
4.6 习题 78
82
第5章 支持向量机 82
5.1 从感知机到支持向量机 82
5.2 线性可分支持向量机 83
5.2.1 点到分类面的距离 83
5.2.2 最大间隔的目标函数 84
5.2.3 支持向量与间隔最大化 85
5.2.4 支持向量机的对偶算法 87
5.2.5 用KKT条件解释支持向量的稀疏性 90
5.3 线性不可分支持向量机 91
5.3.1 软间隔 91
5.3.2 对偶算法 92
5.4 非线性可分支持向量机 94
5.4.1 非线性支持向量机 95
5.4.2 核技巧与计算复杂度 96
5.5 SVM优化求解 98
5.5.1 非线性支持向量与SMO算法 98
5.5.2 线性支持向量机与Pegasos算法 99
5.6 支持向量回归 100
5.7 本章小结 102
5.8 习题 103
第6章 决策树 107
6.1 决策过程与决策树 107
6.2 建立决策树的基本原则 109
6.2.1 “纯度”与特征选择 110
6.2.2 信息增益 111
6.3 决策树生成算法 112
6.3.1 ID3算法 112
6.3.2 C4.5算法 113
6.4 决策树的剪枝 118
6.5分类回归树 128
6.6 本章小结 132
6.7 习题 132
136
第7章 集成学习 136
7.1 集成学习的原理 136
7.2 分类器优劣与泛化误差 136
7.3 Bagging算法 142
7.4 随机森林 147
7.5 Boosting 148
7.6 本章小结 157
7.7 习题 158
164
第8章 无监督学习 164
8.1 什么是无监督学习 164
8.2 均值聚类 165
8.2.1 均值算法模型 165
8.2.2 均值优化 166
8.2.3 均值的数据预处理 167
8.2.4 均值初始化 168
8.2.5 值大小的确定方法 169
8.3 基于密度的聚类 171
8.3.1 高斯混合模型的产生 171
8.3.2 高斯混合模型的梯度下降 172
8.3.3 高斯混合模型的期望最大化算法 174
8.3.4 一般情况下的期望最大化算法 176
8.3.5 majorize-minimize算法 177
8.3.6 高斯混合模型的MM算法求解 178
8.3.7 DBSCAN算法 180
8.4 层次聚类 183
8.4.1 凝聚式层次聚类 183
8.5 本章小结 184
8.6 习题 185
第 9章 降维分析 187
9.1 主成分分析 187
9.1.1 主成分分析目标函数的化简 188
9.1.2 主成分分析目标函数的优化 190
9.1.3 主成分分析的预处理 191
9.2 隐语义模型 192
9.2.1 一词一义与词频-逆词频表示 192
9.2.2 隐语义模型 193
9.2.3 概率隐语义模型 196
9.2.4 非负矩阵分解 198
9.2.5 非负矩阵分解的乘法更新法则 198
9.2.6 非负矩阵分解的梯度投影 200
9.3 本章小节 201
9.4 习题 202
第 10章 神经网络 203
10.1 神经元模型 204
10.2 多层前馈神经网络 206
10.3 本章小结 226
10.4 习题 226
第 11章 深度神经网络 227
11.1 卷积神经网络 227
11.2 循环神经网络 233
11.3 生成对抗网络 241
11.4 小结 251
11.5 习题 252
精品教材 更多
