简介
《机器学习基础——原理、算法与实践》讲述机器学习的基本原理，使用MATLAB实现涉及的各种机器学习算法。通过理论学习和实践操作，使读者了解并掌握机器学习的原理和技能，拉近理论与实践的距离。《机器学习基础——原理、算法与实践》共分12章，主要内容包括：机器学习介绍、线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值和EM算法、决策树、神经网络、HMM、支持向量机、推荐系统、主成分分析。全书源码全部在MATLAB R2015b上调试通过，每章都附有习题和习题参考答案，供读者参考。
《机器学习基础——原理、算法与实践》系统讲解了机器学习的原理、算法和应用，内容全面、实例丰富、可操作性强，做到理论与实践相结合。《机器学习基础——原理、算法与实践》适合机器学习爱好者作为入门和提高的技术参考书使用，也适合用作计算机专业高年级本科生和研究生的教材或教学参考书。
目录
目录
第1章 机器学习介绍 1
1.1 机器学习简介 2
1.1.1什么是机器学习 2
1.1.2机器学习与日常生活 3
1.1.3如何学习机器学习 4
1.1.4MATLAB优势 5
1.2 基本概念 5
1.2.1机器学习的种类 6
1.2.2有监督学习 6
1.2.3无监督学习 7
1.2.4机器学习术语 7
1.2.5预处理 9
1.3MATLAB数据格式 10
1.3.1标称数据 10
1.3.2序数数据 11
1.3.3分类数据 11
1.4 示例数据集 12
1.4.1天气问题 12
1.4.2鸢尾花 15
1.4.3其他数据集 16
1.5 了解你的数据 16
习题 20
第2章 线性回归 21
2.1 从一个实际例子说起 22
2.1.1模型定义 23
2.1.2模型假设 23
2.1.3模型评估 24
2.2 *小二乘法 24
2.2.1*小二乘法求解参数 25
2.2.2用*小二乘法来拟合奥运会数据 26
2.2.3预测比赛结果 27
2.3 梯度下降 27
2.3.1基本思路 28
2.3.2梯度下降算法 29
2.3.3梯度下降求解线性回归问题 30
2.4 多变量线性回归 32
2.4.1多变量线性回归问题 33
2.4.2多变量梯度下降 34
2.4.3随机梯度下降 38
2.4.4正规方程 40
2.5 多项式回归 42
2.5.1多项式回归算法 42
2.5.2正则化 45
习题 47
第3章 逻辑回归 49
3.1 逻辑回归介绍 50
3.1.1线性回归用于分类 50
3.1.2假设函数 51
3.1.3决策边界 52
3.2 逻辑回归算法 53
3.2.1代价函数 53
3.2.2梯度下降算法 54
3.2.3MATLAB优化函数 56
3.2.4多项式逻辑回归 58
3.3 多元分类 60
3.3.1一对多 60
3.3.2一对一 62
3.3.3Softmax回归 64
习题 66
第4章 贝叶斯分类器 67
4.1 简介 68
4.1.1概述 68
4.1.2判别模型和生成模型 68
4.1.3极大似然估计 69
4.2 高斯判别分析 72
4.2.1多元高斯分布 72
4.2.2高斯判别模型 73
4.3 朴素贝叶斯 75
4.3.1朴素贝叶斯算法 76
4.3.2文本分类 81
习题 86
第5章 模型评估与选择 87
5.1 简介 88
5.1.1训练误差与泛化误差 88
5.1.2偏差和方差 89
5.2 评估方法 90
5.2.1训练集、验证集和测试集的划分 91
5.2.2交叉验证 92
5.3 性能度量 95
5.3.1常用性能度量 95
5.3.2查准率和查全率 96
5.3.3ROC和AUC 98
5.4 偏差与方差折中 100
5.4.1偏差与方差诊断 101
5.4.2正则化与偏差方差 102
5.4.3学习曲线 103
习题 104
第6章 K-均值算法和EM算法 107
6.1 聚类分析 108
6.1.1K-means算法描述 108
6.1.2K-means算法应用 112
6.1.3注意事项 113
6.2EM算法 114
6.2.1基本EM算法 114
6.2.2EM算法的一般形式 115
6.2.3混合高斯模型 118
习题 123
第7章 决策树 125
7.1 决策树介绍 126
7.2ID3算法 127
7.2.1信息熵 127
7.2.2信息增益计算示例 127
7.2.3ID3算法描述 132
7.2.4ID3算法实现 134
7.3C4.5算法 134
7.3.1基本概念 135
7.3.2剪枝处理 139
7.3.3C4.5算法描述 140
7.3.4C4.5算法实现 142
7.4CART算法 144
7.4.1CART算法介绍 144
7.4.2CART算法描述 147
7.4.3CART算法实现 149
习题 150
第8章 神经网络 151
8.1 神经网络介绍 152
8.1.1从一个实例说起 152
8.1.2神经元 153
8.1.3神经网络结构 154
8.1.4简化的神经网络模型 157
8.1.5细节说明 160
8.2 神经网络学习 161
8.2.1代价函数 161
8.2.2BP算法 162
8.2.3BP算法实现 166
8.2.4平方代价函数的情形 171
习题 171
第9章 隐马尔科夫模型 173
9.1 隐马尔科夫模型基本概念 174
9.1.1离散马尔科夫过程 174
9.1.2扩展至隐马尔科夫模型 176
9.1.3HMM的组成和序列生成 179
9.1.4三个基本问题 181
9.2 求解HMM三个基本问题 182
9.2.1评估问题 183
9.2.2解码问题 187
9.2.3学习问题 190
习题 196
第10章 支持向量机 197
10.1支持向量机介绍 198
10.2*间隔超平面 198
10.2.1SVM问题的形式化描述 199
10.2.2函数间隔和几何间隔 199
10.2.3*间隔分类器 201
10.2.4使用优化软件求解SVM 203
10.3对偶算法 204
10.3.1SVM对偶问题 204
10.3.2使用优化软件求解对偶 SVM 206
10.4非线性支持向量机 208
10.4.1核技巧 208
10.4.2常用核函数 210
10.5软间隔支持向量机 213
10.5.1动机及原问题 213
10.5.2对偶问题 214
10.5.3使用优化软件求解软间隔 对偶SVM 215
10.6SMO算法 218
10.6.1SMO算法描述 218
10.6.2简化SMO算法实现 221
10.7LibSVM 226
10.7.1LibSVM的安装 226
10.7.2LibSVM函数 228
10.7.3LibSVM实践指南 230
习题 232
第11章 推荐系统 233
11.1推荐系统介绍 234
11.1.1什么是推荐系统 234
11.1.2数据集描述 235
11.1.3 推荐系统符号 236
11.2基于用户的协同过滤 236
11.2.1相似性度量 237
11.2.2算法描述 239
11.2.3算法实现 240
11.3基于物品的协同过滤 241
11.3.1调整余弦相似度和预测 241
11.3.2Slope One算法描述 与实现 243
11.4基于内容的协同过滤算法与实现 247
11.4.1算法描述 247
11.4.2算法实现 250
习题 251
第12章 主成分分析 253
12.1主成分分析介绍 254
12.2本征值与奇异值分解 255
12.2.1本征值分解 255
12.2.2奇异值分解 256
12.3PCA算法描述 256
12.3.1PCA算法 257
12.3.2从压缩表示中重建 258
12.3.3确定主成分数量 258
12.4PCA实现 260
12.4.1假想实例 260
12.4.2MNIST实例 264
习题 265
习题参考答案 267
符号表 294
参考文献 295
- 名称
- 类型
- 大小
光盘服务联系方式: 020-38250260 客服QQ：4006604884
云图客服：
用户发送的提问，这种方式就需要有位在线客服来回答用户的问题，这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
