目錄

第1章機(jī)器學(xué)習(xí)簡介

1.1什么是機(jī)器學(xué)習(xí)

1.2有監(jiān)督學(xué)習(xí)

1.3無監(jiān)督學(xué)習(xí)

1.4強(qiáng)化學(xué)習(xí)

1.5深度學(xué)習(xí)

1.6機(jī)器學(xué)習(xí)算法的應(yīng)用趨勢

1.6.1機(jī)器學(xué)習(xí)算法在物聯(lián)網(wǎng)的應(yīng)用

1.6.2機(jī)器學(xué)習(xí)算法在其他領(lǐng)域的應(yīng)用

1.7安裝MATLAB或Octave

1.8Python語言和C/C++語言簡介

1.8.1Python語言簡介

1.8.2C/C++語言簡介

1.9習(xí)題

第2章線性回歸

2.1線性回歸模型

2.2代價(jià)函數(shù)

2.3梯度下降法

2.4線性回歸中的梯度下降

2.5特征歸一化

2.6最小二乘正規(guī)方程

2.7線性回歸實(shí)例分析

2.7.1實(shí)例一： 一元線性回歸模型與代價(jià)函數(shù)理解

2.7.2實(shí)例二： 多元線性回歸模型與代價(jià)函數(shù)理解

2.8習(xí)題

第3章邏輯回歸

3.1邏輯回歸模型

3.2邏輯回歸的代價(jià)函數(shù)

3.3優(yōu)化函數(shù)

3.4邏輯回歸解決分類問題

3.4.1實(shí)例一： 牛頓法實(shí)現(xiàn)邏輯回歸模型

3.4.2實(shí)例二： 邏輯回歸解決二分類問題

3.5正則化

3.6正則化后的線性回歸和邏輯回歸模型實(shí)例分析

3.6.1實(shí)例一： 最小二乘正規(guī)方程法優(yōu)化正則化線性回歸模型

3.6.2實(shí)例二： 牛頓法優(yōu)化正則化邏輯回歸模型

3.6.3參考解決方案

3.7習(xí)題

第4章樸素貝葉斯

4.1數(shù)學(xué)基礎(chǔ)

4.2樸素貝葉斯分類

4.3樸素貝葉斯分類實(shí)例分析

4.3.1實(shí)例一： 多項(xiàng)式樸素貝葉斯用于郵件分類

4.3.2實(shí)例二： 樸素貝葉斯解決多分類問題

4.4習(xí)題

第5章支持向量機(jī)

5.1支持向量機(jī)模型

5.2支持向量機(jī)代價(jià)函數(shù)

5.3支持向量機(jī)實(shí)例分析

5.3.1實(shí)例一： SVM 解決線性可分問題

5.3.2實(shí)例二： SVM解決郵件分類問題

5.3.3實(shí)例三： 核函數(shù)SVM解決線性不可分問題

5.4習(xí)題

第6章神經(jīng)網(wǎng)絡(luò)

6.1神經(jīng)網(wǎng)絡(luò)模型

6.2反向傳播算法

6.3神經(jīng)網(wǎng)絡(luò)實(shí)例分析

6.3.1實(shí)例一： 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)簡單分類問題

6.3.2實(shí)例二： 神經(jīng)網(wǎng)絡(luò)解決預(yù)測問題

6.4習(xí)題

第7章K近鄰算法

7.1K近鄰算法原理

7.2K近鄰算法實(shí)例分析

7.2.1實(shí)例一： K近鄰算法解決二分類問題

7.2.2實(shí)例二： K近鄰算法解決多分類問題

7.3習(xí)題

第8章K均值算法

8.1K均值算法原理

8.2K均值算法實(shí)例分析

8.2.1實(shí)例一： K均值算法實(shí)現(xiàn)簡單聚類

8.2.2實(shí)例二： K均值算法解決病毒聚類問題

8.3習(xí)題

第9章高斯混合模型

9.1高斯混合模型原理

9.2最大期望算法

9.3高斯混合模型實(shí)例分析

9.3.1實(shí)例一： 高斯混合模型聚類原理分析

9.3.2實(shí)例二： 高斯混合模型實(shí)現(xiàn)鳶尾花數(shù)據(jù)聚類

9.4習(xí)題

第10章降維算法

10.1降維算法原理

10.2降維算法實(shí)例分析

10.2.1實(shí)例一： 線性判別分析(LDA)降維算法實(shí)現(xiàn)

10.2.2實(shí)例二： 主成分分析(PCA)降維算法實(shí)現(xiàn)

10.3線性判別分析與主成分分析對(duì)比

10.4習(xí)題

第11章隱馬爾可夫模型

11.1隱馬爾可夫模型定義

11.2隱馬爾可夫模型實(shí)例分析

11.2.1實(shí)例一： HMM實(shí)現(xiàn)簡單序列預(yù)測

11.2.2實(shí)例二： HMM 解決車流預(yù)測問題

11.3習(xí)題

第12章強(qiáng)化學(xué)習(xí)

12.1Qlearning強(qiáng)化學(xué)習(xí)算法原理

12.2Qlearning實(shí)例分析

12.2.1實(shí)例一： Qlearning解決走迷宮問題

12.2.2實(shí)例二： Qlearning解決小車爬坡問題

12.3習(xí)題

第13章決策樹

13.1決策樹構(gòu)造原理

13.2決策樹實(shí)例分析

13.2.1實(shí)例一： 應(yīng)用CART算法構(gòu)造決策樹

13.2.2實(shí)例二： 決策樹算法擬合曲線

13.3習(xí)題

第14章啟發(fā)式優(yōu)化算法

14.1遺傳算法原理

14.2優(yōu)化算法對(duì)比實(shí)例分析

14.2.1實(shí)例一： 粒子群(PSO)算法

14.2.2實(shí)例二： 差分進(jìn)化(DE)算法

14.2.3實(shí)例三： 人工蜂群(ABC)算法

14.2.4實(shí)例四： 對(duì)比粒子群、差分進(jìn)化和人工蜂群算法

14.3習(xí)題

第15章深度學(xué)習(xí)

15.1卷積神經(jīng)網(wǎng)絡(luò)

15.1.1卷積層

15.1.2池化層

15.1.3CNN模型

15.1.4實(shí)例一： CNN實(shí)現(xiàn)手寫數(shù)字識(shí)別

15.2循環(huán)神經(jīng)網(wǎng)絡(luò)

15.2.1RNN網(wǎng)絡(luò)概述

15.2.2LSTM網(wǎng)絡(luò)

15.2.3實(shí)例一： RNN實(shí)現(xiàn)時(shí)序數(shù)據(jù)預(yù)測

15.2.4實(shí)例二： LSTM預(yù)測交通流量

15.3深度學(xué)習(xí)算法物聯(lián)網(wǎng)硬件加速

15.3.1FPGA硬件平臺(tái)簡介

15.3.2開發(fā)軟件環(huán)境簡介

15.3.3實(shí)例一： RNN時(shí)序數(shù)據(jù)預(yù)測物聯(lián)網(wǎng)平臺(tái)實(shí)現(xiàn)

15.4習(xí)題

第16章集成學(xué)習(xí)

16.1集成學(xué)習(xí)算法

16.1.1隨機(jī)森林算法

16.1.2Adaboost算法

16.2集成學(xué)習(xí)算法實(shí)例分析

16.2.1實(shí)例一： 集成學(xué)習(xí)Stacking實(shí)現(xiàn)

16.2.2實(shí)例二： 集成學(xué)習(xí)解決預(yù)測問題

16.3習(xí)題

第17章推薦系統(tǒng)

17.1推薦算法原理

17.2知識(shí)圖譜與推薦系統(tǒng)

17.2.1知識(shí)圖譜定義

17.2.2知識(shí)圖譜特征學(xué)習(xí)

17.2.3知識(shí)圖譜用于推薦系統(tǒng)

17.3推薦系統(tǒng)實(shí)例分析

17.3.1實(shí)例一： 基于線性混合深度網(wǎng)絡(luò)的推薦系統(tǒng)實(shí)現(xiàn)

17.3.2實(shí)例二： 基于知識(shí)圖譜的多任務(wù)神經(jīng)網(wǎng)絡(luò)智能推薦系統(tǒng)

17.4習(xí)題

附錄A專用符號(hào)和名詞解釋

附錄B機(jī)器學(xué)習(xí)資源列表

附錄C數(shù)學(xué)推導(dǎo)BPTT算法

參考文獻(xiàn)