機器學習

《機器學習》系統介紹機器學習的理論、模型和算法實現，主要內容包括機器學習實驗環境的搭建、數據清洗、模型評估、監督學習的分類和回歸問題、非監督學習的聚類和降維等理論介紹和底層算法實現。本書涵蓋了K近鄰算法、決策樹、支持向量機、BP神經網絡、捲積神經網絡、循環神經網絡、集成學習、Kmeans聚類、模糊聚類、主成分分析、獨立成分分析等內容。每章均基於實戰項目或案例介紹模型和算法的兩種實現（scikitlearn、Keras或TensorFlow的調包實現與非調包底層代碼實現），並給出相應的實驗題目，以此加深讀者對模型和算法的理解，提升讀者對模型和算法的底層代碼實現能力。 適合作為人工智能專業高年級本科生和研究生的教材，也可作為人工智能相關領域研究人員的自學教材。

目〓〓錄

第1章環境搭建

1.1實驗環境的安裝與搭建

1.1.1Anaconda的下載

1.1.2Anaconda的安裝

1.1.3檢驗

1.1.4啟動

1.2數據清洗和預處理

1.2.1原理簡介

1.2.2算法步驟

1.2.3實戰

1.2.4實驗

第2章模型評估

2.1模型評估的樣本集構建與評價

2.1.1原理簡介

2.1.2樣本集的構建方法

2.1.3算法步驟

2.1.4實戰

2.1.5實驗

2.2評估指標計算

2.2.1原理簡介

2.2.2代碼實現與實戰

2.2.3實驗

第3章分類問題

3.1K近鄰算法

3.1.1原理簡介

3.1.2算法步驟

3.1.3實戰

3.1.4實驗

3.2邏輯回歸算法

3.2.1原理簡介

3.2.2算法步驟

3.2.3實戰

3.2.4實驗

3.3決策樹算法

3.3.1原理簡介

3.3.2算法步驟

3.3.3實戰

3.3.4實驗

3.4支持向量機算法

3.4.1原理簡介

3.4.2算法步驟

3.4.3實戰

3.4.4實驗

3.5EM算法

3.5.1原理簡介

3.5.2算法步驟

3.5.3實戰

3.5.4實驗

3.6BP神經網絡的分類和回歸算法

3.6.1原理簡介

3.6.2算法步驟

3.6.3實戰

3.6.4實驗

3.7捲積神經網絡分類算法

3.7.1原理簡介

3.7.2算法步驟

3.7.3實戰

3.7.4實驗

3.8多類分類算法

3.8.1原理簡介

3.8.2算法步驟

3.8.3實戰

3.8.4實驗

第4章回歸問題

4.1線性回歸算法

4.1.1原理簡介

4.1.2算法步驟

4.1.3實戰

4.1.4實驗

4.2多項式回歸算法

4.2.1原理簡介

4.2.2算法步驟

4.2.3實戰

4.2.4實驗

4.3支持向量回歸算法

4.3.1原理簡介

4.3.2算法步驟

4.3.3實戰

4.3.4實驗

4.4循環神經網絡算法

4.4.1原理簡介

4.4.2算法步驟

4.4.3實戰

4.4.4實驗

4.5集成學習： AdaBoost算法

4.5.1原理簡介和算法步驟

4.5.2實戰

4.5.3實驗

4.6集成學習： 隨機森林算法

4.6.1原理簡介

4.6.2算法步驟

4.6.3實戰

4.6.4實驗

第5章聚類問題

5.1Kmeans聚類算法

5.1.1原理簡介

5.1.2算法步驟

5.1.3k值的選擇

5.1.4實戰

5.1.5實驗

5.2模糊聚類算法

5.2.1原理簡介

5.2.2算法步驟

5.2.3實戰

5.2.4實驗

5.3基於密度聚類算法

5.3.1原理簡介

5.3.2算法步驟

5.3.3實戰

5.3.4實驗

5.4層次聚類算法

5.4.1原理簡介

5.4.2算法步驟

5.4.3實戰

5.4.4實驗

第6章降維問題

6.1主成分分析算法

6.1.1原理簡介

6.1.2算法步驟

6.1.3實戰

6.1.4實驗

6.2獨立成分分析算法

6.2.1原理簡介

6.2.2算法步驟

6.2.3實戰

6.2.4實驗

參考文獻