機器學習算法與應用(微課視頻版)

楊雲、段宗濤

立即出貨

  • 機器學習算法與應用(微課視頻版)-preview-1
  • 機器學習算法與應用(微課視頻版)-preview-2
  • 機器學習算法與應用(微課視頻版)-preview-3
機器學習算法與應用(微課視頻版)-preview-1

買這商品的人也買了...

商品描述

本書內容涵蓋經典的有監督機器學習算法,無監督機器學習算法,深度機器學習算法,闡述從淺層學習到深度學習,從簡單的線性模型到復雜的神經網絡非線性模型的原理與應用。書中每個章節遵循先簡介理論基礎,再構建數學模型,然後輔以實例分析,從理論到實踐的講解原則。每個章節可獨立閱讀,也可從前向後,從簡到難,從淺層學習到深度學習,循序漸進學習。本書最大特色為機器學習算法的嵌入化應用,尤其對難於並行化的深度學習算法,詳細介紹了在ARM處理器和FPGA硬件平臺的實現步驟。

目錄大綱

配套資源下載

目錄

第1章機器學習簡介

1.1什麽是機器學習

1.2有監督學習

1.3無監督學習

1.4強化學習

1.5深度學習

1.6機器學習算法的應用趨勢

1.6.1機器學習算法在物聯網的應用

1.6.2機器學習算法在其他領域的應用

1.7安裝MATLAB或Octave

1.8Python語言和C/C++語言簡介

1.8.1Python語言簡介

1.8.2C/C++語言簡介

1.9習題

第2章線性回歸

2.1線性回歸模型

2.2代價函數

2.3梯度下降法

2.4線性回歸中的梯度下降

2.5特徵歸一化

2.6最小二乘正規方程

2.7線性回歸實例分析

2.7.1實例一: 一元線性回歸模型與代價函數理解

2.7.2實例二: 多元線性回歸模型與代價函數理解

2.8習題

第3章邏輯回歸

3.1邏輯回歸模型

3.2邏輯回歸的代價函數

3.3優化函數

3.4邏輯回歸解決分類問題

3.4.1實例一: 牛頓法實現邏輯回歸模型

3.4.2實例二: 邏輯回歸解決二分類問題

3.5正則化

3.6正則化後的線性回歸和邏輯回歸模型實例分析

3.6.1實例一: 最小二乘正規方程法優化正則化線性回歸模型

3.6.2實例二: 牛頓法優化正則化邏輯回歸模型

3.6.3參考解決方案

3.7習題

第4章樸素貝葉斯

4.1數學基礎

4.2樸素貝葉斯分類

4.3樸素貝葉斯分類實例分析

4.3.1實例一: 多項式樸素貝葉斯用於郵件分類

4.3.2實例二: 樸素貝葉斯解決多分類問題

4.4習題

第5章支持向量機

5.1支持向量機模型

5.2支持向量機代價函數

5.3支持向量機實例分析

5.3.1實例一: SVM 解決線性可分問題

5.3.2實例二: SVM解決郵件分類問題

5.3.3實例三: 核函數SVM解決線性不可分問題

5.4習題

第6章神經網絡

6.1神經網絡模型

6.2反向傳播算法

6.3神經網絡實例分析

6.3.1實例一: 神經網絡實現簡單分類問題

6.3.2實例二: 神經網絡解決預測問題

6.4習題

第7章K近鄰算法

7.1K近鄰算法原理

7.2K近鄰算法實例分析

7.2.1實例一: K近鄰算法解決二分類問題

7.2.2實例二: K近鄰算法解決多分類問題

7.3習題

第8章K均值算法

8.1K均值算法原理

8.2K均值算法實例分析

8.2.1實例一: K均值算法實現簡單聚類

8.2.2實例二: K均值算法解決病毒聚類問題

8.3習題

第9章高斯混合模型

9.1高斯混合模型原理

9.2最大期望算法

9.3高斯混合模型實例分析

9.3.1實例一: 高斯混合模型聚類原理分析

9.3.2實例二: 高斯混合模型實現鳶尾花數據聚類

9.4習題

第10章降維算法

10.1降維算法原理

10.2降維算法實例分析

10.2.1實例一: 線性判別分析(LDA)降維算法實現

10.2.2實例二: 主成分分析(PCA)降維算法實現

10.3線性判別分析與主成分分析對比

10.4習題

第11章隱馬爾可夫模型

11.1隱馬爾可夫模型定義

11.2隱馬爾可夫模型實例分析

11.2.1實例一: HMM實現簡單序列預測

11.2.2實例二: HMM 解決車流預測問題

11.3習題

第12章強化學習

12.1Qlearning強化學習算法原理

12.2Qlearning實例分析

12.2.1實例一: Qlearning解決走迷宮問題

12.2.2實例二: Qlearning解決小車爬坡問題

12.3習題

第13章決策樹

13.1決策樹構造原理

13.2決策樹實例分析

13.2.1實例一: 應用CART算法構造決策樹

13.2.2實例二: 決策樹算法擬合曲線

13.3習題

第14章啟發式優化算法

14.1遺傳算法原理

14.2優化算法對比實例分析

14.2.1實例一: 粒子群(PSO)算法

14.2.2實例二: 差分進化(DE)算法

14.2.3實例三: 人工蜂群(ABC)算法

14.2.4實例四: 對比粒子群、差分進化和人工蜂群算法

14.3習題

第15章深度學習

15.1捲積神經網絡

15.1.1捲積層

15.1.2池化層

15.1.3CNN模型

15.1.4實例一: CNN實現手寫數字識別

15.2循環神經網絡

15.2.1RNN網絡概述

15.2.2LSTM網絡

15.2.3實例一: RNN實現時序數據預測

15.2.4實例二: LSTM預測交通流量

15.3深度學習算法物聯網硬件加速

15.3.1FPGA硬件平臺簡介

15.3.2開發軟件環境簡介

15.3.3實例一: RNN時序數據預測物聯網平臺實現

15.4習題

第16章集成學習

16.1集成學習算法

16.1.1隨機森林算法

16.1.2Adaboost算法

16.2集成學習算法實例分析

16.2.1實例一: 集成學習Stacking實現

16.2.2實例二: 集成學習解決預測問題

16.3習題

第17章推薦系統

17.1推薦算法原理

17.2知識圖譜與推薦系統

17.2.1知識圖譜定義

17.2.2知識圖譜特徵學習

17.2.3知識圖譜用於推薦系統

17.3推薦系統實例分析

17.3.1實例一: 基於線性混合深度網絡的推薦系統實現

17.3.2實例二: 基於知識圖譜的多任務神經網絡智能推薦系統

17.4習題

附錄A專用符號和名詞解釋

附錄B機器學習資源列表

附錄C數學推導BPTT算法

參考文獻