第一部分基本概念與數(shù)學知識

第1章機器學習簡介3
1.1機器學習是什么3
1.1.1一個簡單的例子3
1.1.2為什么需要機器學習5
1.2典型應用7
1.2.1語音識別7
1.2.2人臉檢測8
1.2.3人機對弈9
1.2.4機器翻譯10
1.2.5自動駕駛11
1.3發(fā)展歷程11
1.3.1歷史成就11
1.3.2當前進展12
1.4關(guān)于本書13
參考文獻13

第2章數(shù)學知識15
2.1微積分和線性代數(shù)15
2.1.1導數(shù)15
2.1.2向量與矩陣17
2.1.3偏導數(shù)與梯度19
2.1.4雅可比矩陣20
2.1.5Hessian矩陣21
2.1.6泰勒展開22
2.1.7行列式22
2.1.8特征值與特征向量23
2.1.9奇異值分解24
2.1.10二次型24
2.1.11向量與矩陣求導24
2.2最優(yōu)化方法25


〖1〗
〖2〗機器學習——原理、算法與應用

〖1〗
目錄
2.2.1梯度下降法25
2.2.2牛頓法26
2.2.3坐標下降法27
2.2.4拉格朗日乘數(shù)法28
2.2.5凸優(yōu)化28
2.2.6拉格朗日對偶32
2.2.7KKT條件34
2.2.8擬牛頓法35
2.2.9面臨的問題36
2.3概率論37
2.3.1隨機事件與概率37
2.3.2條件概率37
2.3.3隨機變量38
2.3.4數(shù)學期望與方差39
2.3.5隨機向量39
2.3.6最大似然估計40
參考文獻41

第3章基本概念42
3.1算法分類42
3.1.1監(jiān)督信號42
3.1.2分類問題與回歸問題43
3.1.3判別模型與生成模型45
3.1.4強化學習45
3.2模型評價指標46
3.2.1精度與召回率46
3.2.2ROC曲線46
3.2.3混淆矩陣48
3.2.4交叉驗證48
3.3模型選擇48
3.3.1過擬合與欠擬合48
3.3.2偏差與方差分解49
3.3.3正則化50
參考文獻52

第二部分主要的機器學習算法與理論


第4章貝葉斯分類器55
4.1貝葉斯決策55
4.2樸素貝葉斯分類器56
4.2.1離散型特征56
4.2.2連續(xù)型特征57
4.3正態(tài)貝葉斯分類器57
4.3.1訓練算法57
4.3.2預測算法58
4.4實驗程序59
4.5應用61
參考文獻61

第5章決策樹62
5.1樹形決策過程62
5.2分類與回歸樹63
5.3訓練算法64
5.3.1遞歸分裂過程64
5.3.2尋找最佳分裂64
5.3.3葉子節(jié)點值的設定67
5.3.4屬性缺失問題67
5.3.5剪枝算法68
5.3.6訓練算法的流程69
5.3.7計算變量的重要性70
5.4實驗程序70
5.5應用71
參考文獻71

第6章k近鄰算法72
6.1基本概念72
6.2預測算法72
6.3距離定義73
6.3.1常用距離定義74
6.3.2距離度量學習74
6.4實驗程序75
6.5應用76
參考文獻76

第7章數(shù)據(jù)降維78
7.1主成分分析78
7.1.1數(shù)據(jù)降維問題78
7.1.2計算投影矩陣78
7.1.3向量降維81
7.1.4向量重構(gòu)81
7.2流形學習81
7.2.1局部線性嵌入82
7.2.2拉普拉斯特征映射83
7.2.3局部保持投影86
7.2.4等距映射87
7.2.5隨機近鄰嵌入88
7.2.6t分布隨機近鄰嵌入89
7.3實驗程序90
7.4應用91
參考文獻91

第8章線性判別分析92
8.1用投影進行分類92
8.2投影矩陣92
8.2.1一維的情況92
8.2.2推廣到高維94
8.3實驗程序96
8.4應用96
參考文獻97

第9章人工神經(jīng)網(wǎng)絡98
9.1多層前饋型神經(jīng)網(wǎng)絡98
9.1.1神經(jīng)元98
9.1.2網(wǎng)絡結(jié)構(gòu)99
9.1.3正向傳播算法100
9.2反向傳播算法101
9.2.1一個簡單的例子101
9.2.2完整的算法105
9.3實驗程序109
9.4理論解釋110
9.4.1數(shù)學性質(zhì)110
9.4.2與神經(jīng)系統(tǒng)的關(guān)系111
9.5面臨的問題111
9.5.1梯度消失111
9.5.2退化111
9.5.3局部極小值111
9.5.4鞍點111
9.6實現(xiàn)細節(jié)問題112
9.6.1輸入值與輸出值112
9.6.2網(wǎng)絡規(guī)模112
9.6.3激活函數(shù)112
9.6.4損失函數(shù)113
9.6.5權(quán)重初始化113
9.6.6正則化113
9.6.7學習率的設定114
9.6.8動量項114
9.7應用114
參考文獻115

第10章支持向量機118
10.1線性分類器118
10.1.1線性分類器概述118
10.1.2分類間隔118
10.2線性可分的問題119
10.2.1原問題119
10.2.2對偶問題120
10.3線性不可分的問題123
10.3.1原問題123
10.3.2對偶問題123
10.4核映射與核函數(shù)126
10.5SMO算法129
10.5.1求解子問題129
10.5.2優(yōu)化變量的選擇132
10.6多分類問題133
10.7實驗程序134
10.8libsvm簡介136
10.8.1求解算法137
10.8.2庫的使用140
10.9應用142
參考文獻143

第11章線性模型145
11.1logistic回歸145
11.1.1第一種表述145
11.1.2第二種表述147
11.1.3L2正則化原問題148
11.1.4L2正則化對偶問題151
11.1.5L1正則化原問題152
11.1.6實驗程序154
11.2線性支持向量機156
11.2.1L2正則化L1loss SVC原問題156
11.2.2L2正則化L2loss SVC原問題156
11.2.3L2正則化SVC對偶問題157
11.2.4L1正則化L2loss SVC原問題158
11.2.5多類線性支持向量機158
11.2.6實驗程序160
11.3liblinear簡介160
11.3.1求解的問題161
11.3.2庫的使用161
11.4softmax回歸162
11.5應用164
參考文獻165

第12章隨機森林166
12.1集成學習166
12.1.1隨機抽樣166
12.1.2Bagging算法167
12.2隨機森林概述167
12.3訓練算法167
12.4變量的重要性168
12.5實驗程序169
12.6應用169
參考文獻169

第13章Boosting算法171
13.1AdaBoost算法171
13.1.1強分類器與弱分類器171
13.1.2訓練算法172
13.1.3訓練誤差分析174
13.2廣義加法模型176
13.3各種AdaBoost算法177
13.3.1離散型AdaBoost177
13.3.2實數(shù)型AdaBoost179
13.3.3LogitBoost180
13.3.4Gentle型AdaBoost181
13.4實現(xiàn)細節(jié)問題182
13.4.1弱分類器182
13.4.2弱分類器的數(shù)量182
13.4.3樣本權(quán)重削減183
13.5實驗程序183
13.6梯度提升算法183
13.6.1梯度提升框架184
13.6.2回歸問題185
13.6.3分類問題185
13.6.4XGBoost187
13.7應用——目標檢測189
13.7.1VJ框架的原理190
13.7.2模型訓練192
參考文獻193

第14章深度學習概論195
14.1機器學習面臨的挑戰(zhàn)195
14.1.1人工特征196
14.1.2機器學習算法197
14.2深度學習技術(shù)197
14.3進展與典型應用199
14.3.1計算機視覺200
14.3.2語音識別202
14.3.3自然語言處理202
14.3.4計算機圖形學203
14.3.5推薦系統(tǒng)203
14.3.6深度強化學習204
14.4自動編碼器204
14.4.1自動編碼器簡介204
14.4.2去噪自動編碼器205
14.4.3稀疏自動編碼器205
14.4.4收縮自動編碼器206
14.4.5多層編碼器206
14.5受限玻爾茲曼機206
14.5.1玻爾茲曼分布206
14.5.2受限玻爾茲曼機結(jié)構(gòu)207
14.5.3訓練算法209
14.5.4深度玻爾茲曼機210
14.5.5深度置信網(wǎng)210
參考文獻210

第15章卷積神經(jīng)網(wǎng)絡218
15.1網(wǎng)絡結(jié)構(gòu)218
15.1.1卷積層219
15.1.2池化層222
15.1.3全連接層222
15.2訓練算法223
15.2.1卷積層223
15.2.2池化層226
15.2.3隨機梯度下降法227
15.2.4遷移學習228
15.3典型網(wǎng)絡228
15.3.1LeNet5網(wǎng)絡228
15.3.2AlexNet網(wǎng)絡229
15.3.3VGG網(wǎng)絡230
15.3.4GoogLeNet網(wǎng)絡231
15.4理論分析232
15.4.1反卷積運算232
15.4.2卷積層可視化233
15.4.3理論解釋235
15.5挑戰(zhàn)與改進措施236
15.5.1卷積層236
15.5.2池化層236
15.5.3激活函數(shù)237
15.5.4損失函數(shù)237
15.5.5網(wǎng)絡結(jié)構(gòu)237
15.5.6批量歸一化241
15.6實現(xiàn)細節(jié)242
15.6.1卷積層242
15.6.2激活函數(shù)244
15.6.3內(nèi)積層244
15.6.4損失層245
15.6.5求解器248
15.7應用——計算機視覺251
15.7.1人臉檢測251
15.7.2通用目標檢測254
15.7.3人臉關(guān)鍵點定位262
15.7.4人臉識別263
15.7.5圖像分割265
參考文獻266

第16章循環(huán)神經(jīng)網(wǎng)絡270
16.1網(wǎng)絡結(jié)構(gòu)270
16.1.1循環(huán)層270
16.1.2輸出層271
16.1.3一個簡單的例子272
16.1.4深層網(wǎng)絡272
16.2網(wǎng)絡的訓練273
16.2.1一個簡單的例子273
16.2.2完整的算法275
16.3挑戰(zhàn)與改進措施277
16.3.1梯度消失277
16.3.2長短期記憶模型278
16.3.3門控循環(huán)單元279
16.3.4雙向網(wǎng)絡279
16.4序列預測問題280
16.4.1序列標注問題280
16.4.2連接主義時序分類281
16.4.3序列到序列學習285
16.5應用——語音識別287
16.5.1語音識別問題287
16.5.2GMMHMM框架288
16.5.3深度模型288
16.6應用——自然語言處理291
16.6.1中文分詞292
16.6.2詞性標注293
16.6.3命名實體識別293
16.6.4文本分類294
16.6.5自動摘要296
16.6.6機器翻譯296
參考文獻298

第17章生成對抗網(wǎng)絡302
17.1隨機數(shù)據(jù)生成302
17.2生成對抗網(wǎng)絡結(jié)構(gòu)303
17.2.1生成模型303
17.2.2判別模型304
17.3模型的訓練304
17.3.1目標函數(shù)304
17.3.2訓練算法305
17.3.3理論分析306
17.4應用與改進307
17.4.1改進方案308
17.4.2典型應用311
參考文獻313

第18章聚類算法314
18.1問題定義314
18.2層次聚類315
18.3基于質(zhì)心的算法315
18.4基于概率分布的算法316
18.4.1高斯混合模型316
18.4.2EM算法317
18.5基于密度的算法322
18.5.1DBSCAN算法322
18.5.2OPTICS算法324
18.5.3Mean Shift算法326
18.6基于圖的算法328
18.7算法評價指標331
18.7.1內(nèi)部指標331
18.7.2外部指標331
18.8實驗程序332
18.9應用332
參考文獻332

第19章半監(jiān)督學習334
19.1問題假設334
19.1.1連續(xù)性假設334
19.1.2聚類假設334
19.1.3流形假設334
19.1.4低密度分割假設334
19.2啟發(fā)式算法335
19.2.1自訓練335
19.2.2協(xié)同訓練335
19.3生成模型335
19.4低密度分割336
19.5基于圖的算法336
19.6半監(jiān)督深度學習337
參考文獻338

第20章隱馬爾可夫模型340
20.1馬爾可夫模型340
20.2隱馬爾可夫模型簡介343
20.2.1模型結(jié)構(gòu)343
20.2.2中文分詞345
20.3估值問題345
20.4解碼問題347
20.5訓練算法349
20.6應用352
參考文獻352

第21章條件隨機場353
21.1馬爾可夫隨機場353
21.1.1概率圖模型353
21.1.2馬爾可夫隨機場354
21.2條件隨機場概述355
21.2.1條件隨機場簡介355
21.2.2線性鏈條件隨機場355
21.3推斷算法357
21.4訓練算法359
21.5應用360
參考文獻360

第22章強化學習361
22.1強化學習簡介361
22.1.1問題定義361
22.1.2馬爾可夫決策過程362
22.2基于動態(tài)規(guī)劃的算法366
22.2.1策略迭代算法366
22.2.2價值迭代算法368
22.3蒙特卡洛算法369
22.3.1算法簡介369
22.3.2狀態(tài)價值函數(shù)估計370
22.3.3動作價值函數(shù)估計371
22.3.4蒙特卡洛控制371
22.4時序差分學習372
22.4.1Sarsa算法372
22.4.2Q學習373
22.5深度強化學習374
22.5.1深度Q網(wǎng)絡375
22.5.2策略梯度算法378
22.6應用381
參考文獻381

第三部分工程實踐問題

第23章工程實踐問題概述385
23.1實現(xiàn)細節(jié)問題385
23.1.1訓練樣本385
23.1.2特征預處理386
23.1.3模型選擇386
23.1.4過擬合問題386
23.2安全性問題387
23.2.1對抗樣本387
23.2.2形成原因分析389
23.3實現(xiàn)成本問題390
23.3.1訓練樣本量390
23.3.2計算與存儲成本390
23.4深度模型優(yōu)化391
23.4.1剪枝與編碼391
23.4.2二值化網(wǎng)絡392
23.4.3卷積核分離396
參考文獻397