导语

  

内容提要

  

    本书详细地介绍了机器学习的基本原理，并采用“原理简述+问题实例+实际代码+运行结果”的模式介绍常用算法。全书共11章，主要包括决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维等内容。
    本书可以作为高校计算机及相关专业的教材，也可以作为机器学习培训班教材，并适合作为从事机器学习及应用的专业人员和广大机器学习爱好者的自学用书。

第1章  导论
  1.1  引言
  1.2  基本术语
  1.3  概念学习与假设空间
  1.4  归纳偏好
  1.5  经验误差与过拟合
  1.6  模型评估与选择
  1.7  性能度量
  1.8  发展历程
  1.9  应用现状
  习题1
第2章  Python初步
  2.1  Python概述
  2.2  NumPy库介绍
    2.2.1  ndarray对象
    2.2.2  ufunc函数
    2.2.3  常用函数库
  2.3  Matplotlib库介绍
    2.3.1  快速绘制二维图表
    2.3.2  Artist对象
    2.3.3  配置属性
    2.3.4  绘制三维图表
  2.4  SciPy库函数
    2.4.1  线性代数模块
    2.4.2  优化和拟合模块
    2.4.3  统计模块
    2.4.4  稀疏矩阵模块
  2.5  scikit-learn库函数
    2.5.1  sklearn.datasets
    2.5.2  模型选择与评价
    2.5.3  scikit-learn的机器学习
  习题2
第3章  决策树
  3.1  引言
    3.1.1  决策树的基本思想
    3.1.2  决策树的构造
    3.1.3  决策树的算法框架
    3.1.4  信息增益
  3.2  ID3决策树
    3.2.1  ID3算法
    3.2.2  ID3的实现
  3.3  C4.5决策树
    3.3.1  C4.5算法
    3.3.2  C4.5的实现
  3.4  sklearn与回归树
    3.4.1  回归算法原理
    3.4.2  最小剩余方差法
    3.4.3  剪枝策略
    3.4.4  sklearn实现
  习题3
第4章  神经网络
  4.1  引言
    4.1.1  人工神经网络的发展历程
    4.1.2  人工神经网络的特点
    4.1.3  人工神经网络的分类
  4.2  神经元模型
  4.3  感知机与多层神经网络
    4.3.1  感知机
    4.3.2  梯度下降法
    4.3.3  随机梯度下降法
    4.3.4  多层神经网络
  4.4  误差反向传播算法
    4.4.1  BP神经网络学习算法
    4.4.2  BP神经网络实验
  4.5  玻耳兹曼机
    4.5.1  BM的拓扑结构
    4.5.2  BM的学习过程
  4.6  综合案例
  习题4
第5章  支持向量机
  5.1  引言
  5.2  线性分类
    5.2.1  函数间隔与几何间隔
    5.2.2  对偶问题
  5.3  线性支持向量机
  5.4  非线性支持向量机
    5.4.1  核技巧
    5.4.2  sklearn SVC
  5.5  序列最小优化算法
  5.6  综合案例
  习题5
第6章  贝叶斯分类器
  6.1  引言
  6.2  朴素贝叶斯分类
    6.2.1  朴素贝叶斯算法
    6.2.2  朴素贝叶斯分类算法
    6.2.3  朴素贝叶斯分类算法的Python实现
    6.2.4  sklearn的朴素贝叶斯方法
  6.3  极大似然估计
    6.3.1  EM算法
    6.3.2  EM算法步骤
    6.3.3  三硬币的EM求解
    6.3.4  sklearn的EM方法
  6.4  贝叶斯网络
    6.4.1  贝叶斯网络的构造和学习
    6.4.2  贝叶斯网络应用举例
  习题6
第7章  集成学习
  7.1  引言
  7.2  Voting
  7.3  Bagging
  7.4  Boosting
    7.4.1  AdaBoost法
    7.4.2  Gradient Boosting
  7.5  综合案例
  习题7
第8章  聚类
  8.1  引言
    8.1.1  聚类的概念
    8.1.2  典型应用
    8.1.3  常见算法分类
    8.1.4  聚类算法中存在的问题
  8.2  距离计算
    8.2.1  闵可夫斯基距离
    8.2.2  欧几里得距离
    8.2.3  曼哈顿距离
    8.2.4  切比雪夫距离
    8.2.5  皮尔逊相关系数
    8.2.6  余弦相似度
    8.2.7  杰卡德相似系数
  8.3  k-means聚类
    8.3.1  算法思想
    8.3.2  辅助函数
    8.3.3  编程实现k-means算法
    8.3.4  scikit-learn中的k-means方法
    8.3.5  算法评价
    8.3.6  算法改进k-means
  8.4  密度聚类
    8.4.1  密度聚类算法思想
    8.4.2  DBSCAN算法
    8.4.3  密度峰值聚类
  8.5  层次聚类
    8.5.1  层次聚类思想
    8.5.2  层次聚类实现
  8.6  综合实例
    8.6.1  聚类算法性能比较
    8.6.2  算法总结
  习题8
第9章  降维
  9.1  引言
    9.1.1  降维的概念
    9.1.2  常见算法分类
  9.2  k-近邻学习
    9.2.1  算法实现
    9.2.2  算法实例
    9.2.3  算法关键
  9.3  主成分分析
    9.3.1  算法思想
    9.3.2  算法实例
  9.4  低维嵌入
    9.4.1  算法原理
    9.4.2  算法实例
    9.4.3  算法评价
  9.5  奇异值分解
    9.5.1  SVD算法原理
    9.5.2  SVD算法及应用示例
  9.6  综合实例
    9.6.1  PCA实例
    9.6.2  SVD实例
  习题9
第10章  概率图模型
  10.1  引言
  10.2  马尔科夫过程
    10.2.1  基本概念
    10.2.2  隐马尔科夫模型
  10.3  Viterbi算法
  10.4  综合案例
  习题10
第11章  深度学习初步
  11.1  引言
  11.2  表示问题
  11.3  学习问题
  11.4  优化问题
  11.5  认知问题
  11.6  基本模型
    11.6.1  自编码器
    11.6.2  受限玻耳兹曼机
    11.6.3  卷积神经网络
  11.7  TensorFlow的简介与安装
    11.7.1  Python3环境
    11.7.2  安装TensorFlow
    11.7.3  验证
  11.8  TensorFlow的基本使用
  11.9  基于卷积神经网络的MNIST手写体识别实验
    11.9.1  conv2d函数
    11.9.2  max_pool函数
    11.9.3  示例程序
  习题11
参考文献