●部分机器学习概念篇 ●章机器学习基础 1.1机器学习概述 1.1.1机器学习的概念 1.1.2机器学习的发展史 1.1.3机器学习的用途 1.1.4机器学习、数据挖掘及人工智能的关系 1.2机器学习基本术语 1.3机器学习任务及算法分类 1.4如何学习和运用机器学习 1.4.1软件平台的选择 1.4.2机器学习应用实现流程 1.5数据预处理 1.5.1数据初步选取 1.5.2数据清理 1.5.3数据集成 1.5.4数据变换 1.5.5数据归约 参考文献 第二部分MATLAB机器学习基础篇 ●第2章MATLAB基础入门 2.1MATLAB界面介绍 2.2矩阵赋值与运算 2.3m文件及函数实现与调用 2.4基本流程控制语句 2.5基本绘图方法 2.5.1二维绘图函数的基本用法 2.5.2三维绘图函数的基本用法 2.5.3颜色与形状参数列表 2.5.4图形窗口分割与坐标轴 2.6数据文件导入与导出 参考文献 ●第3章MATLAB机器学习工具箱 3.1工具箱简介 3.2分类学习器基本操作流程 3.3分类学习器算法优化与选择 3.3.1特征选择 3.3.2选择分类器算法 3.4工具箱分类学习实例 参考文献 第三部分机器学习算法与MATLAB实践篇 ●第4章k近邻算法 4.1k近邻算法原理 4.1.1k近邻算法实例解释 4.1.2k近邻算法的特点 4.2基于k近邻算法的算法改进 4.2.1快速KNN算法 4.2.2kd树KNN算法 4.3k近邻算法的MATLAB实践 参考文献 ●第5章决策树 5.1决策树算法原理 5.1.1决策树算法基本原理 5.1.2决策树算法的特点 5.1.3决策树剪枝 5.1.4分类决策树与回归决策树 5.2基于决策树算法的算法改进 5.2.1ID3决策树 5.2.2C4.5决策树 5.2.3分类回归树 5.2.4随机森林 5.3决策树算法MATLAB实践 参考文献 ●第6章支持向量机 6.1支持向量机算法原理 6.1.1支持向量机概述 6.1.2支持向量机算法及推导 6.1.3支持向量机核函数 6.2改进的支持向量机算法 6.3支持向量机算法的MATLAB实践 参考文献 ●第7章朴素贝叶斯 7.1贝叶斯定理 7.2朴素贝叶斯分类 7.3朴素贝叶斯实例分析 7.4朴素贝叶斯分类算法的改进 7.4.1半朴素贝叶斯分类模型 7.4.2树增强朴素贝叶斯分类模型 7.4.3贝叶斯网络 7.4.4朴素贝叶斯树 7.4.5属性加权朴素贝叶斯分类算法 7.5朴素贝叶斯算法MATLAB实践 参考文献 ●第8章线性回归 8.1线性回归原理 8.1.1简单线性回归 8.1.2线性回归实例 8.2多元线性回归 8.3线性回归算法的MATLAB实践 参考文献 ●第9章逻辑回归 9.1逻辑回归原理 9.1.1Sigmoid函数 9.1.2梯度下降法 9.2逻辑回归理论推导 9.2.1逻辑回归理论公式推导 9.2.2向量化 9.2.3逻辑回归算法的实现步骤 9.2.4逻辑回归的优缺点 9.3逻辑回归算法的改进 9.3.1逻辑回归的正则化 9.3.2主成分改进的逻辑回归方法 9.4逻辑回归的MATLAB实践 参考文献 ●0章神经网络 10.1神经网络算法原理 10.1.1神经网络工作原理 10.1.2神经网络的特点 10.1.3人工神经元模型 10.2前向神经网络 10.2.1感知器 10.2.2BP算法 10.3基于神经网络的算法拓展 10.3.1深度学习 10.3.2极限学习机 10.4神经网络的MATLAB实践 参考文献 ●1章AdaBoost算法 11.1集成学习方法简介 11.1.1集成学习方法分类 11.1.2集成学习Boosting算法 11.2AdaBoost算法原理 11.2.1AdaBoost算法思想 11.2.2AdaBoost算法理论推导 11.2.3AdaBoost算法的实现步骤 11.2.4AdaBoost算法的特点 11.2.5通过实例理解AdaBoost算法 11.3AdaBoost算法的改进 11.3.1RealAdaBoost算法 11.3.2GentleAdaBoost算法 11.3.3LogitBoost算法 11.4AdaBoost算法的MATLAB实践 参考文献 ●2章k均值算法 12.1k均值算法原理 12.1.1k均值算法基本原理 12.1.2k均值算法的实现步骤 12.1.3k均值算法实例 12.1.4k均值算法的特点 12.2基于kmeans算法的算法改进 12.2.1改善k值选取方式的kmeans改进算法 12.2.2改进初始聚类中心选择方式的kmeans改进算法 12.3kmeans算法的MATLAB实践 参考文献 ●3章期望优选化算法 13.1EM算法 13.1.1EM算法思想 13.1.2似然函数和极大似然估计 13.1.3Jensen不等式 13.1.4EM算法理论和公式推导 13.1.5EM算法的收敛速度 13.1.6EM算法的特点 13.2EM算法的改进 13.2.1Monte Carlo EM算法 13.2.2ECM算法 13.2.3ECME算法 13.3EM算法的MATLAB实践 参考文献 ●4章k中心点算法 14.1经典k中心点算法——PAM算法 14.1.1PAM算法原理 14.1.2PAM算法实例 14.1.3PAM算法的特点 14.2k中心点算法的改进 14.3k中心点算法的MATLAB实践 参考文献 ●5章关联规则挖掘的Apriori算法 15.1关联规则概述 15.1.1关联规则的基本概念 15.1.2关联规则的分类 15.2Apriori算法原理 15.3Apriori算法的改进 15.3.1基于分片的并行方法 15.3.2基于hash的方法 15.3.3基于采样的方法 15.3.4减少交易个数的方法 15.4Apriori算法的MATLAB实践 参考文献 ●6章高斯混合模型 16.1高斯混合模型原理 16.1.1单高斯模型 16.1.2高斯混合模型 16.1.3模型的建立 16.1.4模型参数的求解 16.2GMM算法的MATLAB实践 16.2.1生成一个高斯混合模型 16.2.2拟合GMM 16.2.3GMM聚类实例 16.3GMM的改进及MATLAB实践 16.3.1GMM的正则化 16.3.2GMM中k的选择问题 16.3.3GMM拟合的初始值选择问题 参考文献 ●7章DBSCAN算法 17.1DBSCAN算法原理 17.1.1DBSCAN算法的基本概念 17.1.2DBSCAN算法原理 17.1.3DBSCAN算法的实现步骤 17.1.4DBSCAN算法的优缺点 17.2DBSCAN算法的改进 17.2.1DPDGA算法 17.2.2并行DBSCAN算法 17.3DBSCAN算法的MATLAB实践 参考文献 ●8章策略迭代和值迭代 18.1基本概念 18.1.1强化学习的基本模型 18.1.2马尔可夫决策过程 18.1.3策略 18.1.4值函数 18.1.5贝尔曼方程 18.2策略迭代算法原理 18.3值迭代算法原理 18.4策略迭代和值迭代算法的MATLAB实践 参考文献 ●9章SARSA算法和Q学习算法 19.1SARSA算法原理 19.2SARSA算法的MATLAB实践 19.3Q学习算法原理 19.4Q学习算法的MATLAB实践 参考文献
内容简介
本书主要介绍经典的机器学习算法的原理及改进，以及MATLAB的实例实现。本书内容分为三部分。部分(章)是机器学习概念篇，介绍机器学习的相关概念，并且对机器学习的各类算法进行分类，以便读者对机器学习的知识框架有一个整体的了解，从而在后续的学习中更容易接受机器学习涉及的各类算法。第二部分(第2章、第3章)是MATLAB机器学习基础篇，介绍MATLAB的基本使用方法，以及MATLAB集成的机器学习工具箱。MATLAB易上手的特点让使用者将更多的精力专注于算法开发与使用，而不是搭建算法实现开发平台。第三部分(第4章~9章)是机器学习算法与MATLAB实践篇，对监督学习、无/非监督学习、强化学习三大类常用算法进行逐个讲解，包括机器学习算法原理、算法优缺点、算法的实例解释以及MATLAB的实践应用。 本书适合以下读者： 对人工智能、机器学习感兴趣的读者； 希望用机器学习完成设计的计算机或电子信息专业......
第5章决策树 5.1决策树算法原理 5.1.1决策树算法基本原理 决策树(Decision Tree)是一种特别简单的机器学习分类算法。决策树想法来源于人类的决策过程，是在已知各种情况发生概率的基础上，通过构成决策树来评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，其代表的是对象属性与对象值之间的一种映射关系。 决策树可看作一个树状预测模型，它是由结点和有向分支组成的层次结构。树中包含3种结点： 根结点、内部结点、叶子结点。决策树只有一个根结点，是全体训练数据的集合。树中每个内部结点都是一个分裂问题： 指定了对实例的某个属性的测试，它将到达该结点的样本按照某个特定的属性进行分割，并且该结点的每一个后继分支对应于该......
近年来，随着计算机技术及互联网技术的发展，人工智能技术也取得了重要的突破。作为人工智能的核心技术，机器学习已经广泛应用于各行各业中，如图像识别、语言识别、文本分类、智能推荐、网络安全等。未来，伴随着信息技术的进一步发展，机器学习技术将会更加深入地应用到生产、生活的方方面面。 目前，机器学习技术正处于朝阳时期，对于从事机器学习的研究人员来说，应感到荣幸和骄傲，因为能够在对的时间从事最热门的技术研究。对于有志于或有兴趣从事机器学习的研究人员而言，首先应知道，现阶段对这方面人才的需求远远大于供给，同时，这一技术会伴随着信息化技术一直发展下去。其次，在学习之初，不要被大量的数学公式吓得退避三舍，而应明白，在大多数情况下，尤其是应用层面，机器学习仅是一种实现技术要求的工具，需要了解各类算法的优势、劣势及有效使用的方法，无须详尽地了解各种机器学习算法的细枝末节。正如计算机内部运行机制极其复杂，大多数......
评论晒单