機(jī)器學(xué)習(xí)簡明教程

前言
第1章　機(jī)器學(xué)習(xí)概述 1
1.1　機(jī)器學(xué)習(xí)基本概念 1
1.1.1　人工智能與機(jī)器學(xué)習(xí) 1
1.1.2　機(jī)器學(xué)習(xí)基本術(shù)語 5
1.1.3　機(jī)器學(xué)習(xí)誤差分析 8
1.2　機(jī)器學(xué)習(xí)發(fā)展歷程 11
1.2.1　感知機(jī)與連接學(xué)習(xí) 11
1.2.2　符號學(xué)習(xí)與統(tǒng)計學(xué)習(xí) 13
1.2.3　連接學(xué)習(xí)的興起 17
1.3　機(jī)器學(xué)習(xí)基本問題 19
1.3.1　特征提取 19
1.3.2　規(guī)則構(gòu)建 23
1.3.3　模型評估 27
1.4　模型優(yōu)化與正則化 31
1.4.1　梯度下降法 31
1.4.2　隨機(jī)梯度法 34
1.4.3　模型正則化 36
1.5　習(xí)題 41
第2章　基本學(xué)習(xí)方法 43
2.1　監(jiān)督學(xué)習(xí) 43
2.1.1　線性模型 43
2.1.2　決策樹模型 50
2.1.3　貝葉斯模型 62
2.1.4　支持向量機(jī) 68
2.2　無監(jiān)督學(xué)習(xí) 72
2.2.1　聚類分析法 72
2.2.2　主分量分析法 76
2.3　強(qiáng)化學(xué)習(xí) 81
2.3.1　強(qiáng)化學(xué)習(xí)概述 81
2.3.2　馬爾可夫模型 84
2.3.3　值迭代學(xué)習(xí) 89
2.3.4　時序差分學(xué)習(xí) 94
2.4　基本學(xué)習(xí)方法的應(yīng)用 103
2.4.1　垃圾郵件檢測與分類 103
2.4.2　人臉自動識別 106
2.4.3　自動爬山小車 112
2.5　習(xí)題 117
第3章　集成學(xué)習(xí)方法 119
3.1　集成學(xué)習(xí)概述 119
3.1.1　集成學(xué)習(xí)基本概念 119
3.1.2　集成學(xué)習(xí)基本范式 120
3.1.3　集成學(xué)習(xí)泛化策略 122
3.2　Bagging集成學(xué)習(xí) 124
3.2.1　Bagging集成策略 124
3.2.2　隨機(jī)森林模型結(jié)構(gòu) 127
3.2.3　隨機(jī)森林訓(xùn)練算法 129
3.3　Boosting集成學(xué)習(xí) 142
3.3.1　Boosting集成策略 143
3.3.2　AdaBoost學(xué)習(xí)算法 145
3.3.3　GBDT學(xué)習(xí)算法 146
3.4　集成學(xué)習(xí)方法的應(yīng)用 151
3.4.1　房價預(yù)測分析 151
3.4.2　人臉自動檢測 156
3.5　習(xí)題 162
第4章　深度學(xué)習(xí)方法 163
4.1　神經(jīng)網(wǎng)絡(luò)概述 163
4.1.1　神經(jīng)元與感知機(jī) 163
4.1.2　前饋網(wǎng)絡(luò)訓(xùn)練范式 168
4.1.3　淺層學(xué)習(xí)與深度學(xué)習(xí) 176
4.2　深度卷積網(wǎng)絡(luò) 181
4.2.1　卷積網(wǎng)絡(luò)概述 181
4.2.2　基本網(wǎng)絡(luò)模型 190
4.2.3　改進(jìn)網(wǎng)絡(luò)模型 199
4.3　深度循環(huán)網(wǎng)絡(luò) 206
4.3.1　動態(tài)系統(tǒng)展開 207
4.3.2　網(wǎng)絡(luò)結(jié)構(gòu)與計算 208
4.3.3　模型訓(xùn)練策略 217
4.4　生成式對抗網(wǎng)絡(luò) 221
4.4.1　生成器與判別器 222
4.4.2　網(wǎng)絡(luò)結(jié)構(gòu)與計算 224
4.4.3　模型訓(xùn)練策略 229
4.5　深度學(xué)習(xí)方法的應(yīng)用 234
4.5.1　光學(xué)字符識別 235
4.5.2　圖像目標(biāo)檢測 239
4.5.3　自動文本摘要 245
4.6　習(xí)題 249
第5章　深度強(qiáng)化學(xué)習(xí) 251
5.1　深度強(qiáng)化學(xué)習(xí)概述 251
5.1.1　基本學(xué)習(xí)思想 251
5.1.2　基本計算方式 254
5.1.3　蒙特卡洛樹搜索 255
5.2　基于價值的深度強(qiáng)化學(xué)習(xí) 261
5.2.1　深度Q網(wǎng)絡(luò) 261
5.2.2　深度雙Q網(wǎng)絡(luò) 266
5.2.3　DQN改進(jìn)模型 270
5.3　基于策略的深度強(qiáng)化學(xué)習(xí) 273
5.3.1　策略梯度算法 273
5.3.2　Actor-Critic算法 278
5.3.3　DDPG學(xué)習(xí)算法 284
5.4　深度強(qiáng)化學(xué)習(xí)的應(yīng)用 288
5.4.1　智能巡航小車 288
5.4.2　自動對弈游戲 292
5.5　習(xí)題 303
參考文獻(xiàn) 305