集成学习 : 基础与算法
本书是目前国内独本系统性阐述集成学习的著作。
集成学习的思路是通过结合多个学习器来解决问题，它在实践中大获成功——人称“从业者应学应会的大杀器”之一。
化繁为简：将复杂的原理简化为易于理解的表达，通俗易懂；
结构合理：兼具广度与深度。既阐述该领域的重要话题，又详释了重要算法的实现并辅以伪代码，更易上手；
注重实践：阐述集成学习在多个领域的应用，如计算机视觉、医疗、信息安全和数据挖掘竞赛等；
拓展阅读：提供丰富的参考资料，读者可按图索骥、自行深入学习；
新手通过本书很容易理解并掌握集成学习的思路与精粹；
老手通过本书能学会不少技巧并深化对集成学习的理论理解，更好地指导研究和实践。
集成学习方法是一类先进的机器学习方法，这类方法训练多个学习器并将它们结合起来解决一个问题，在实践中获得了巨大成功。
《集成学习：基础与算法》分为三部分。第一部分主要介绍集成学...
本书是目前国内独本系统性阐述集成学习的著作。
集成学习的思路是通过结合多个学习器来解决问题，它在实践中大获成功——人称“从业者应学应会的大杀器”之一。
化繁为简：将复杂的原理简化为易于理解的表达，通俗易懂；
结构合理：兼具广度与深度。既阐述该领域的重要话题，又详释了重要算法的实现并辅以伪代码，更易上手；
注重实践：阐述集成学习在多个领域的应用，如计算机视觉、医疗、信息安全和数据挖掘竞赛等；
拓展阅读：提供丰富的参考资料，读者可按图索骥、自行深入学习；
新手通过本书很容易理解并掌握集成学习的思路与精粹；
老手通过本书能学会不少技巧并深化对集成学习的理论理解，更好地指导研究和实践。
集成学习方法是一类先进的机器学习方法，这类方法训练多个学习器并将它们结合起来解决一个问题，在实践中获得了巨大成功。
《集成学习：基础与算法》分为三部分。第一部分主要介绍集成学习的背景知识；第二部分主要介绍集成学习方法的核心知识，包括Boosting、Bagging、Random Forests 等经典算法，平均、投票和Stacking 等模型和方法、相关理论分析工作，以及多样性度量和增强方面的进展；第三部分介绍集成学习方法的进阶议题，包括集成修剪、聚类集成和集成学习方法在半监督学习、主动学习、代价敏感学习、类别不平衡学习及提升可理解性方面的进展。此外，本书还在每章的“拓展阅读”部分提供了相关的进阶内容。
本书全面介绍机器学习领域的集成学习方法，阐述这个激动人心的领域的研究。我从中受益匪浅！
—Thomas G. Dietterich教授，美国俄勒冈州立大学智能系统研究院主任、ACM Fellow、国际机器学习学会创会主席
本书的出版适逢其时：恰当的时机，恰当的内容——既具权威性又兼容并包——这使广大读者能真正从中获益。
―Fabio Roli教授，意大利卡利亚里大学、IEEE Fellow
周志华，教授、南京大学计算机系主任、人工智能学院院长、校学术委员会委员。
欧洲科学院外籍院士，首位在人工智能相关五大主流国际学会ACM、AAAI、AAAS、IEEE、IAPR均当选为会士的华人学者。
中国计算机学会、中国人工智能学会会士。
曾获IEEE计算机学会Edward J. McCluskey技术成就奖、CCF王选奖等。
李楠，博士，毕业于南京大学计算机系机器学习与数据挖掘研究所(LAMDA)，师从周志华教授从事机器学习研究。
发表论文20余篇，并获国际数据挖掘竞赛冠军及最佳论文奖。
先后供职于阿里巴巴iDST/达摩院和微软亚洲互联网工程院，主要从事机器学习在互联网搜索、推荐和广告中的研究和应用工作。