機器學習技術及應用

機器學習是人工智能的一個方向。
它是一門多領域交叉學科，涉及概率論、統計學、矩陣論、神經網絡、計算機等多門學科。
其目標是使用計算機模擬或實現人類學習活動，從現有大量的數據中學習，利用經驗不斷改善系統性能。
機器學習步驟一般分為獲取數據、數據預處理、建立模型、模型評估和預測。
本書共6章。
第1章節主要介紹機器學習的基本概念及其發展史、機器學習分類、常見機器學習算法及其特點；
第2章搭建機器學習開發環境，主要包括anaconda\pycharm\python軟件的安裝及使用，以及常見機器學習庫的介紹和安裝使用方法；
第3章介紹了監督學習的4個經典算法：線性回歸、決策樹、k近鄰和支持向量機算法，其重點在算法的應用；
第4章介紹了主成分分析降維算法、Kmeans聚類算法；
第5章介紹人工神經網絡基礎，並通過房價預測和手寫數字識別實例進行驗證；
第6章介紹強化學習的基本概念，有模型學習和無模型學習，最後介紹了Q-Learning算法和Sarsa算法。
本書由人工智能技術專業教師和英特爾FPGA中國創新中心的工程師們合力編寫，講解了大量的具體程序案例，
涵蓋大部分機器學習算法，教師和學生可以根據應用需求，選擇對應的知識點和算法。
本書所有程序均已經在英特爾FPGA中國創新中心AILab實訓平臺上驗證實現。
本書可作為高職高專院校電子信息類相關專業教材，也可作為科技人員的參考用書。
 

第1章機器學習介紹 001
1．1 機器學習簡介 002
1．1．1 機器學習的基本概念 003
1．1．2 機器學習的發展歷史 005
1．2 機器學習的分類及典型算法 010
1．2．1 機器學習的分類 010
1．2．2 監督學習 011
1．2．3 非監督學習 014
1．2．4 半監督學習 015
1．2．5 強化學習 018
本章小結 019
習題 020
第2章基於Python語言的機器學習環境搭建與配置 023
2．1 機器學習相關軟件介紹 024
2．1．1 機器學習開發語言 024
2．1．2 機器學習開發工具 028
2．2 機器學習開發環境搭建 036
2．2．1 Python的安裝及使用 036
2．2．2 Anaconda的安裝及使用 041
2．2．3 PyCharm的安裝及使用 052
2．3 常見機器學習庫函數功能介紹 059
2．3．1 基礎科學計算庫（NumPy） 059
2．3．2 科學計算工具集（Scipy） 068
2．3．3 數據分析庫（Pandas） 074
2．3．4 圖形繪製庫（Matplotlib） 079
2．3．5 機器學習常用算法庫（Scikit-learn） 080
本章小結 083
習題 084
第3章監督學習 087
3．1 線性回歸算法 088
3．1．1 常用損失函數 089
3．1．2 最小二乘法 091
3．1．3 梯度下降法 092
3．1．4 線性回歸算法實例 094
3．2 決策樹算法 098
3．2．1 分類準則 099
3．2．2 ID3算法 102
3．2．3 C4．5算法 108
3．2．4 CART算法 111
3．2．5 決策樹算法實例 113
3．3 k近鄰算法 116
3．3．1 k值的選取及特徵歸一化 117
3．3．2 kd樹 120
3．3．3 k近鄰算法實例 128
3．4 支持向量機算法 133
3．4．1 線性可分性 133
3．4．2 對偶問題 136
3．4．3 核函數 139
3．4．4 軟間隔 142
3．4．5 支持向量機算法實例 144
本章小結 146
習題 146
第4章非監督學習 149
4．1 非監督學習概述 150
4．1．1 非監督學習的基本概念 150
4．1．2 非監督學習的分類 151
4．1．3 非監督學習的特點 152
4．1．4 非監督學習的應用 153
4．2 主成分分析降維算法 154
4．2．1 數據降維介紹 154
4．2．2 PCA算法介紹 155
4．2．3 PCA算法求解步驟 159
4．2．4 PCA算法實例 161
4．3 K-means聚類算法 163
4．3．1 聚類算法簡介 163
4．3．2 K-means算法介紹 164
4．3．3 K-means算法求解步驟 165
4．3．4 K-means算法實例 170
本章小結 172
習題 173
第5章人工神經網絡 175
5．1 人工神經網絡概述 176
5．1．1 人工神經網絡的發展歷程 176
5．1．2 人工神經網絡基礎 180
5．1．3 人工神經網絡模型 188
5．1．4 人工神經網絡的應用 191
5．2 房價預測實例 193
5．2．1 房價預測模型構建 193
5．2．2 房價預測網絡構建 198
5．3 手寫數字識別實例 199
5．3．1 手寫數字識別簡介 199
5．3．2 手寫數字識別網絡構建 201
本章小結 203
習題 203
第6章強化學習 205
6．1 強化學習概述 206
6．1．1 強化學習的基本概念 206
6．1．2 強化學習的發展歷史 208
6．1．3 強化學習的分類 210
6．1．4 強化學習的特點及應用 211
6．2 強化學習基礎 212
6．2．1 馬爾可夫決策過程 212
6．2．2 貪心算法 213
6．3 有模型學習和無模型學習 214
6．3．1 有模型學習 214
6．3．2 無模型學習 216
6．4 強化學習實例 216
6．4．1 Q-Learning算法 216
6．4．2 Sarsa算法 232
本章小結 242
習題 243