人工智能：機器學習理論與方法

第1章緒論
1．1機器學習的定義
1．2機器學習的發(fā)展歷史
1．3機器學習的分類
1．3．1基于學習系統(tǒng)的反饋分類
1．3．2基于所獲取知識的表示形式分類
1．3．3按應用領(lǐng)域分類
1．3．4綜合分類
1．4性能度量
1．4．1數(shù)據(jù)集
1．4．2誤差
1．4．3過擬合與欠擬合
1．4．4評估方法
1．4．5性能度量指標
1．5本章小結(jié)
第2章EM算法和高斯模型
2．1EM算法
2．1．1極大似然估計
2．1．2EM算法的引入
2．1．3EM算法的推導
2．1．4EM算法的步驟
2．1．5EM算法的收斂性
2．2高斯模型
2．2．1單高斯模型
2．2．2高斯混合模型
2．2．3GMM參數(shù)估計
2．3本章小結(jié)
第3章主題模型
3．1傳統(tǒng)的主題模型
3．1．1VSM模型
3．1．2LSI模型
3．2概率主題模型
3．2．1LDA主題模型
3．2．2HDP-LDA主題模型
3．3具有zipf定律性質(zhì)的主題模型
3．3．1PY過程
3．3．2PHTM主題模型
3．4PHTM推理算法
3．4．1算法描述
3．4．2實驗
3．5本章小結(jié)
第4章抽樣與非參數(shù)貝葉斯方法
4．1單個隨機變量抽樣
4．1．1通過逆累積分布函數(shù)抽樣
4．1．2拒絕抽樣（Rejection Sampling）
4．1．3重要性抽樣（Importance Sampling）
4．2序列隨機變量抽樣與馬爾可夫鏈蒙特卡洛
4．2．1MH算法
4．2．2吉布斯抽樣
4．2．3切片抽樣（Slice Sampling）
4．3非參數(shù)貝葉斯模型與狄利克雷過程
4．3．1非參數(shù)貝葉斯模型
4．3．2狄利克雷過程
4．4狄利克雷過程的構(gòu)造方式
4．4．1波利亞壇子過程
4．4．2折棍子過程
4．4．3中餐館過程
4．5本章小結(jié)
第5章聚類分析
5．1數(shù)據(jù)相似性度量
5．2經(jīng)典聚類算法
5．2．1劃分算法
5．2．2層次聚類算法
5．2．3基于密度的聚類算法
5．2．4基于網(wǎng)格的聚類算法
5．2．5基于模型的聚類算法
5．3K均值算法、K中心點算法及其改進算法
5．3．1K均值算法
5．3．2K中心點算法
5．3．3核K均值算法
5．3．4EM聚類
5．3．5基于隨機搜索應用于大型應用的聚類算法CLARANS
5．4譜聚類
5．4．1相似圖
5．4．2拉普拉斯矩陣
5．4．3譜聚類算法
5．5基于約束的聚類
5．5．1含有障礙物的對象聚類
5．5．2用戶約束的聚類分析
5．5．3半監(jiān)督聚類分析
5．6在線聚類
5．7聚類與降維
5．8本章小結(jié)
第6章支持向量機
6．1統(tǒng)計學習理論
6．1．1經(jīng)驗風險最小化
6．1．2VC維
6．1．3結(jié)構(gòu)風險最小化
6．2支持向量機的基本原理
6．3支持向量機分類器
6．3．1線性支持向量機分類器
6．3．2非線性可分的支持向量機分類器
6．3．3一類分類
6．3．4多類分類
6．4核函數(shù)
6．4．1核函數(shù)的定義
6．4．2核函數(shù)的構(gòu)造
6．4．3幾種常用的核函數(shù)
6．5支持向量回歸機
6．6支持向量機的應用實例
6．6．1圖像分類
6．6．2其他應用
6．7本章小結(jié)
第7章概率無向圖模型
7．1概率無向圖模型概述
7．2邏輯斯諦回歸模型
7．2．1邏輯斯諦函數(shù)與分布
7．2．2極大似然估計模型參數(shù)
7．3最大熵模型
7．3．1最大熵原理
7．3．2最大熵模型概述
7．4條件隨機場
7．4．1模型
7．4．2條件隨機場的關(guān)鍵問題
7．5本章小結(jié)
第8章概率有向圖模型
8．1概率有向圖模型概述
8．2貝葉斯網(wǎng)絡
8．2．1貝葉斯定理
8．2．2有向分離
8．2．3貝葉斯網(wǎng)絡構(gòu)造
8．2．4貝葉斯網(wǎng)絡學習
8．3隱馬爾可夫模型
8．3．1隱馬爾可夫模型描述
8．3．2隱馬爾可夫模型的三個基本問題
8．4本章小結(jié)
第9章矩陣與張量分解
9．1等值與低軼矩陣分解
9．2非負矩陣分解
9．3矩陣分解與推薦系統(tǒng)
9．4張量分解
9．5非負張量分解
9．6本章小結(jié)
第10章多層感知機
10．1感知機
10．2多層感知機概述
10．2．1誤差反傳算法
10．2．2多層感知機的優(yōu)勢和局限性
10．2．3BP算法的改進
10．3本章小結(jié)
第11章卷積神經(jīng)網(wǎng)絡
11．1卷積神經(jīng)網(wǎng)絡的生物學基礎(chǔ)
11．2卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)元件
11．2．1卷積層
11．2．2池化層
11．2．3激活層
11．2．4全連接層
11．3典型的卷積神經(jīng)網(wǎng)絡
11．3．1AlexNet
11．3．2VGG
11．3．3GoogLeNet
11．3．4ResNet
11．3．5DenseNet
11．4卷積神經(jīng)網(wǎng)絡的訓練技巧
11．4．1批歸一化
11．4．2隨機失活
11．5本章小結(jié)
第12章循環(huán)神經(jīng)網(wǎng)絡
12．1循環(huán)神經(jīng)網(wǎng)絡結(jié)構(gòu)
12．2循環(huán)神經(jīng)網(wǎng)絡的訓練
12．2．1損失函數(shù)
12．2．2時間反向傳播算法
12．2．3梯度消失與梯度爆炸
12．3雙向循環(huán)神經(jīng)網(wǎng)絡與深度循環(huán)神經(jīng)網(wǎng)絡
12．4長短期記憶網(wǎng)絡
12．4．1LSTM記憶單元
12．4．2LSTM 記憶方式
12．5門控循環(huán)單元
12．6本章小結(jié)
第13章強化學習
13．1強化學習模型及基本要素
13．1．1強化學習模型
13．1．2強化學習基本要素
13．2馬爾可夫決策過程
13．2．1馬爾可夫過程
13．2．2馬爾可夫決策過程概述
13．3部分可觀測的馬爾可夫決策過程
13．4模型已知的強化學習
13．4．1線性規(guī)劃
13．4．2策略迭代
13．4．3值迭代
13．4．4廣義策略迭代
13．5模型未知的強化學習
13．5．1蒙特卡洛方法
13．5．2時間差分法
13．5．3Q學習與SARSA學習
13．5．4Actor-Critic學習
13．6基于逼近方法的強化學習
13．6．1值函數(shù)逼近的TD學習
13．6．2近似值迭代方法
13．6．3近似策略迭代
13．7深度強化學習
13．7．1深度Q學習（Deep Q-learning）
13．7．2深度雙Q學習
13．7．3異步深度Q學習
13．7．4其他深度強化學習
13．8本章小結(jié)
參考文獻