“十三五”普通高等教育规划教材 机器学习及其应用PDF电子书下载

查看更多关于的内容

第1章 机器学习概述 1

1.1 机器学习基本概念 1

1.1.1 人工智能与机器学习 1

1.1.2 机器学习基本术语 4

1.1.3 机器学习误差分析 7

1.2 机器学习发展历程 10

1.2.1 感知机与连接学习 10

1.2.2 符号学习与统计学习 12

1.2.3 连接学习的兴起 14

1.3 机器学习基本问题 17

1.3.1 特征提取 17

1.3.2 规则构造 21

1.3.3 模型评估 27

1.4 习题 31

第2章 模型估计与优化 32

2.1 模型参数估计 32

2.1.1 最小二乘估计 32

2.1.2 最大似然估计 34

2.1.3 最大后验估计 35

2.2 模型优化基本方法 38

2.2.1 梯度下降法 38

2.2.2 牛顿迭代法 43

2.3 模型优化概率方法 47

2.3.1 随机梯度法 48

2.3.2 最大期望法 50

2.3.3 蒙特卡洛法 52

2.4 模型正则化策略 55

2.4.1 范数惩罚 56

2.4.2 样本增强 58

2.4.3 对抗训练 60

2.5 习题 61

第3章 监督学习 63

3.1 线性模型 63

3.1.1 模型结构 63

3.1.2 线性回归 64

3.1.3 线性分类 66

3.2 决策树模型 72

3.2.1 模型结构 72

3.2.2 判别标准 74

3.2.3 模型构造 78

3.3 贝叶斯模型 89

3.3.1 贝叶斯方法 89

3.3.2 贝叶斯分类 92

3.3.3 贝叶斯回归 96

3.4 支持向量机 98

3.4.1 线性可分性 99

3.4.2 核函数技术 102

3.4.3 结构风险分析 104

3.5 监督学习应用 106

3.5.1 信用风险评估 107

3.5.2 垃圾邮件检测 111

3.5.3 车牌定位与识别 114

3.6 习题 117

第4章 无监督学习 119

4.1 聚类分析 119

4.1.1 划分聚类法 119

4.1.2 密度聚类法 126

4.2 主分量分析 133

4.2.1 基本PCA方法 133

4.2.2 核PCA方法 141

4.3 稀疏编码与学习 144

4.3.1 稀疏编码概述 145

4.3.2 稀疏表示学习 147

4.3.3 数据字典学习 149

4.4 无监督学习应用 153

4.4.1 热点话题发现 153

4.4.2 自动人脸识别 156

4.5 习题 161

第5章 集成学习 162

5.1 集成学习基本知识 162

5.1.1 集成学习基本概念 162

5.1.2 集成学习基本范式 163

5.1.3 集成学习泛化策略 165

5.2 Bagging集成学习 166

5.2.1 Bagging集成策略 166

5.2.2 随机森林模型结构 169

5.2.3 随机森林训练算法 170

5.3 Boosting集成学习 176

5.3.1 Boosting集成策略 176

5.3.2 AdaBoost集成学习算法 178

5.3.3 GBDT集成学习算法 179

5.4 集成学习应用 183

5.4.1 房价预测分析 183

5.4.2 自动人脸检测 187

5.5 习题 192

第6章 强化学习 194

6.1 强化学习概述 194

6.1.1 强化学习基本知识 194

6.1.2 马尔可夫模型 197

6.1.3 强化学习计算方式 201

6.2 基本强化学习 203

6.2.1 值迭代学习 203

6.2.2 时序差分学习 208

6.2.3 Q学习 213

6.3 示范强化学习 215

6.3.1 模仿强化学习 215

6.3.2 逆向强化学习 217

6.4 强化学习应用 219

6.4.1 自动爬山小车 219

6.4.2 五子棋自动对弈 223

6.5 习题 228

第7章 神经网络与深度学习 231

7.1 神经网络概述 231

7.1.1 神经元与感知机 231

7.1.2 前馈网络模型 236

7.1.3 模型训练基本流程 242

7.2 神经网络常用模型 246

7.2.1 径向基网络 246

7.2.2 自编码器 251

7.2.3 玻尔兹曼机 255

7.3 深度学习基本知识 259

7.3.1 浅层学习与深度学习 260

7.3.2 深度堆栈网络 264

7.3.3 DBN模型及训练策略 267

7.4 神经网络应用 273

7.4.1 光学字符识别 273

7.4.2 自动以图搜图 276

7.5 习题 279

第8章 常用深度网络模型 281

8.1 深度卷积网络 281

8.1.1 卷积网络概述 281

8.1.2 基本网络模型 289

8.1.3 改进网络模型 298

8.2 深度循环网络 305

8.2.1 动态系统展开 305

8.2.2 网络结构与计算 307

8.2.3 模型训练策略 315

8.3 生成对抗网络 318

8.3.1 生成器与判别器 319

8.3.2 网络结构与计算 321

8.3.3 模型训练策略 326

8.4 常用深度网络应用 331

8.4.1 图像目标检测 331

8.4.2 自动文本摘要 337

8.5 习题 340

第9章 深度强化学习 342

9.1 深度强化学习概述 342

9.1.1 基本学习思想 342

9.1.2 基本计算方式 344

9.1.3 蒙特卡洛树搜索 346

9.2 基于价值的学习 351

9.2.1 深度Q网络 352

9.2.2 深度双Q网络 356

9.2.3 DQN模型改进 360

9.3 基于策略的学习 362

9.3.1 策略梯度算法 362

9.3.2 Actor-Critic算法 366

9.3.3 DDPG学习算法 372

9.4 深度强化学习应用 376

9.4.1 智能巡航小车 376

9.4.2 围棋自动对弈 379

9.5 习题 385

参考文献 386

查看更多关于的内容