機器學習 — 從線性回歸到大模型

數學與系統科學研究院博士，現任北京理工大學數學與統計學院講師，碩士生導師。研究方向為回歸建模、機器學習。負責系統可靠性等研究課題。有多年一線教學經驗，主講北京理工大學 本科專業本科專業“統計學”核心課程—線性統計模型，其他開設課程包括：機器學習回歸方法、概率與數理統計、多元分析、SPSS統計軟件分析等。著有數學建模教材《數學建模方法進階》(合著)。曾多次指導全國大學生數學建模競賽、美國大學生數學建模競賽並獲獎。

第1章 經典線性模型
1.1 監督學習
1.2 分類及應用場景
1.3 回歸及應用場景
1.4 多元線性回歸模型
1.5 正則化線性回歸模型
1.6 Logistic 回歸模型

第2章 基於決策樹的模型
2.1 決策樹
2.2 隨機森林
2.3 因果森林
2.4 梯度提升決策樹
2.5 梯度提升
2.6 輕量梯度提升機
2.7 類別特征梯度提升

第3章 神經網絡
3.1 人工神經網絡發展史
3.2 生物神經元與人工神經元
3.3 激活函數
3.4 多層感知器
3.5 梯度下降優化算法

第4章 深度學習
4.1 卷積神經網絡
4.2 LeNet-5 網絡
4.3 AlexNet 網絡
4.4 批量歸一化
4.5 殘差網絡
4.6 語言模型與 Word2Vec 詞向量
4.7 循環神經網絡

第5章 大語言模型
5.1 Transformer 模型
5.2 BERT 模型
5.3 GPT 模型
5.4 GPT-2 模型
5.5 GPT-3 模型
5.6 ChatGPT 模型

第6章 案例分析
6.1 中國糧食產量影響因素分析
6.2 心臟病數據分析
6.3 深度學習在阿爾茨海默病識別中的應用
本書以“回歸”為主線，系統整合統計學與機器學習的核心方法，從經典線性模型延伸至大語言模型，構建跨學科的知識體系。通過原理講解、代碼實現與真實案例結合，幫助讀者掌握建模思維與實踐能力，適合多學科背景學習者使用，是一本兼具深度與廣度的現代回歸分析指南。