機(jī)器學(xué)習(xí)方法及應(yīng)用

目錄
第1章機(jī)器學(xué)習(xí)概述1
1.1學(xué)習(xí)中的元素2
1.2目標(biāo)函數(shù)的表示4
1.3機(jī)器學(xué)習(xí)系統(tǒng)的基本結(jié)構(gòu)6
1.4學(xué)習(xí)任務(wù)的類(lèi)型7
1.5機(jī)器學(xué)習(xí)的定義和發(fā)展史9
1.6機(jī)器學(xué)習(xí)可完成的事11
1.7機(jī)器學(xué)習(xí)的成功案例13
習(xí)題16
第2章決策樹(shù)學(xué)習(xí)17
2.1決策樹(shù)的組成及分類(lèi)17
2.2決策樹(shù)的構(gòu)造算法CLS18
2.3基本的決策樹(shù)算法ID320
2.4信息熵和信息增益及其案例21
2.5隨機(jī)森林及其應(yīng)用案例24
2.5.1隨機(jī)森林概述24
2.5.2隨機(jī)森林應(yīng)用案例27
2.6決策樹(shù)和隨機(jī)森林應(yīng)用概述29
2.6.1決策樹(shù)的應(yīng)用概述29
2.6.2隨機(jī)森林的應(yīng)用概述30
小結(jié)32
習(xí)題32
第3章多層感知器34
3.1神經(jīng)元模型34
3.2感知器及其學(xué)習(xí)規(guī)則35
3.3多層感知器38
3.4反向傳播算法39
目錄3.5反向傳播網(wǎng)絡(luò)的應(yīng)用概述45
3.6案例：基于反向傳播網(wǎng)絡(luò)擬合曲線(xiàn)46
小結(jié)52
習(xí)題53
第4章維度約簡(jiǎn)55
4.1主成分分析55
4.2獨(dú)立成分分析58
4.3線(xiàn)性判別分析59
4.4局部線(xiàn)性嵌入62
4.5維度約簡(jiǎn)算法應(yīng)用概述65
4.6案例分析66
4.6.1利用PCA對(duì)半導(dǎo)體制造數(shù)據(jù)降維66
4.6.2LDA降維——應(yīng)用于Wine葡萄酒數(shù)據(jù)集67
小結(jié)69
習(xí)題69
第5章支持向量機(jī)71
5.1線(xiàn)性可分模式的最優(yōu)超平面71
5.2不可分離模式的最優(yōu)超平面75
5.3用于模式識(shí)別的支持向量機(jī)的潛在思想78
5.4使用核方法的支持向量機(jī)78
5.5支持向量機(jī)的設(shè)計(jì)80
5.6支持向量機(jī)的應(yīng)用概述81
5.7支持向量機(jī)的示例83
小結(jié)86
習(xí)題87
第6章無(wú)監(jiān)督學(xué)習(xí)89
6.1聚類(lèi)概述89
6.2Kmeans算法90
6.3DBSCAN算法92
6.4EM算法94
6.5關(guān)聯(lián)分析97
6.6競(jìng)爭(zhēng)網(wǎng)絡(luò)99
6.6.1Hamming網(wǎng)絡(luò)100
6.6.2競(jìng)爭(zhēng)學(xué)習(xí)及案例101
6.6.3自組織特征圖104
6.6.4學(xué)習(xí)向量量化107
6.7無(wú)監(jiān)督學(xué)習(xí)應(yīng)用概述109
6.8案例分析111
6.8.1使用K-means算法對(duì)用戶(hù)購(gòu)物行為聚類(lèi)和推薦111
6.8.2使用DBSCAN清洗GPS軌跡數(shù)據(jù)111
6.8.3高斯混合模型的EM聚類(lèi)113
6.8.4學(xué)習(xí)向量量化解決分類(lèi)問(wèn)題114
小結(jié)116
習(xí)題116
第7章概率圖模型118
7.1貝葉斯網(wǎng)絡(luò)118
7.1.1貝葉斯基本公式119
7.1.2樸素貝葉斯分類(lèi)器120
7.1.3貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)121
7.1.4條件獨(dú)立性假設(shè)121
7.1.5先驗(yàn)概率的確定和網(wǎng)絡(luò)推理算法122
7.2馬爾可夫隨機(jī)場(chǎng)124
7.2.1馬爾可夫隨機(jī)場(chǎng)概念125
7.2.2馬爾可夫隨機(jī)場(chǎng)的因式分解126
7.3隱馬爾可夫模型128
7.4馬爾可夫鏈蒙特卡羅131
7.4.1蒙特卡羅積分131
7.4.2馬爾可夫鏈132
7.4.3馬爾可夫鏈蒙特卡羅132
7.5LDA主題提取模型136
7.6概率圖模型應(yīng)用概述138
7.7案例分析141
7.7.1樸素貝葉斯進(jìn)行垃圾郵件過(guò)濾141
7.7.2前向后向算法求觀(guān)測(cè)序列概率142
7.7.3馬爾可夫鏈蒙特卡羅方法預(yù)測(cè)睡眠質(zhì)量144
7.7.4利用LDA對(duì)文本進(jìn)行主題提取148
小結(jié)149
習(xí)題150
第8章強(qiáng)化學(xué)習(xí)151
8.1強(qiáng)化學(xué)習(xí)過(guò)程151
8.2馬爾可夫決策過(guò)程152
8.3Q-Learning156
8.4強(qiáng)化學(xué)習(xí)應(yīng)用概述159
8.5案例分析161
8.5.1使用馬爾可夫決策過(guò)程求解最優(yōu)策略162
8.5.2尋寶游戲163
小結(jié)164
習(xí)題165
第9章深度學(xué)習(xí)166
9.1深度學(xué)習(xí)概述166
9.2卷積神經(jīng)網(wǎng)絡(luò)169
9.2.1卷積層169
9.2.2池化層171
9.2.3卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)172
9.3循環(huán)神經(jīng)網(wǎng)絡(luò)172
9.3.1給網(wǎng)絡(luò)增加記憶能力173
9.3.2簡(jiǎn)單循環(huán)網(wǎng)絡(luò)174
9.3.3應(yīng)用到機(jī)器學(xué)習(xí)175
9.3.4參數(shù)學(xué)習(xí)177
9.3.5基于門(mén)控的循環(huán)神經(jīng)網(wǎng)絡(luò)179
9.4深度信念網(wǎng)絡(luò)181
9.4.1玻爾茲曼機(jī)181
9.4.2受限玻爾茲曼機(jī)182
9.4.3深度信念網(wǎng)絡(luò)183
9.5深度生成模型185
9.5.1概率生成模型185
9.5.2變分自編碼器186
9.5.3生成對(duì)抗網(wǎng)絡(luò)188
9.5.4生成對(duì)抗網(wǎng)絡(luò)的應(yīng)用190
9.6深度學(xué)習(xí)應(yīng)用概述193
9.6.1文本194
9.6.2語(yǔ)音195
9.6.3計(jì)算機(jī)視覺(jué)196
9.7機(jī)器學(xué)習(xí)系統(tǒng)199
9.7.1主流機(jī)器學(xué)習(xí)系統(tǒng)的分類(lèi)與介紹200
9.7.2主流深度學(xué)習(xí)框架系統(tǒng)介紹201
9.7.3新興機(jī)器學(xué)習(xí)系統(tǒng)203
9.8案例：深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)中的應(yīng)用204
小結(jié)210
習(xí)題210
附錄機(jī)器學(xué)習(xí)工具及資源推薦212
參考文獻(xiàn)217