导语

  

内容提要

  

    本书的编程语言以MATLAB为主，分别从学习方式和理论知识两个方面来对机器学习(实现人工智能的方法)的算法进行分类介绍。通过阅读本书，读者可以对人工智能的子集——机器学习形成一个系统、全面、完整的认识，并且在今后的研究工作中逐步拓展，最终形成自己的体系。全书共6篇，分别为特征处理算法、分类和聚类算法、神经网络算法、优化算法、基于不同数学思想的算法以及集成算法，每一篇都对该类别中常见算法的思想、流程、核心知识和优缺点等内容进行了详细介绍，并通过实际的案例分析和代码展示，对算法的具体应用进行了完整解析。
    本书适用的读者对象包括金融机构的量化投资经理、科研工作者、互联网企业的算法工程师、大中专院校相关专业师生，以及其他对实现人工智能的机器学习技术感兴趣的读者。

    李一邨，浙江杭州人，浙江大学量化金融博士，现任杭州伊园科技有限公司总经理。前沿量化科学领域的深耕者，多年来致力于将多元学科的前沿理论嫁接融合到金融投资领域。被聘为杭州市科促会数据科学家、杭州师范大学指导老师。曾连续5届（第8-12届）获得《证时报》和《期货日报》联合评选的“中国最佳金融量化策略工程师”。

前言
第一篇  特征处理算法
第1章  ReliefF特征选择算法
  1.1  原理介绍
    1.1.1  算法思想
    1.1.2  算法流程
    1.1.3  算法详细介绍
  1.2  ReliefF特征选择算法优缺点
  1.3  实例分析
    1.3.1  数据集介绍
    1.3.2  函数介绍
    1.3.3  ReliefF算法在分类问题中的实例分析
    1.3.4  ReliefF算法在回归问题中的实例分析
  1.4  房价回归预测问题的特征选择案例代码
第2章  Chi-Merge算法
  2.1  原理介绍
    2.1.1  算法思想
    2.1.2  算法流程
  2.2  Chi-Merge算法的优缺点
  2.3  实例分析
    2.3.1  数据集介绍
    2.3.2  函数介绍
    2.3.3  结果分析
  2.4  代码获取
第3章  特征规约算法
  3.1  特征规约算法原理介绍
    3.1.1  特征规约算法思想
    3.1.2  特征规约算法流程
    3.1.3  PCA算法及相关矩阵分解
  3.2  几种特征规约算法的优缺点
  3.3  特征规约算法实例分析
    3.3.1  数据集介绍
    3.3.2  函数介绍
    3.3.3  结果分析
  3.4  代码获取
第二篇  分类和聚类算法
第4章  KNN算法
  4.1  原理介绍
    4.1.1  算法思想
    4.1.2  算法流程
  4.2  KNN算法的核心知识
    4.2.1  距离或相似度的衡量
    4.2.2  K值的选取
    4.2.3  K个邻近样本的选取
  4.3  KNN算法的优缺点
  4.4  实例分析
    4.4.1  数据集介绍
    4.4.2  函数介绍
    4.4.3  结果分析
  4.5  代码获取
第5章  K-Means算法
  5.1  原理介绍
    5.1.1  算法思想
    5.1.2  算法流程
    5.1.3  K值的选取
  5.2  K-Means算法的优点与缺点
    5.2.1  K-Means算法的优点
    5.2.2  K-Means算法的缺点
  5.3  实例分析
    5.3.1  数据集介绍
    5.3.2  函数介绍
……
第三篇  神经网路算法
第四篇  优化算法
第五篇  基于不同数学思想的算法
第六篇  集成算法