機器學習算法與應用（微課視頻版）

目錄

第1章機器學習簡介

1.1什么是機器學習

1.2有監(jiān)督學習

1.3無監(jiān)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(lián)網(wǎng)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(shù)

2.3梯度下降法

2.4線性回歸中的梯度下降

2.5特征歸一化

2.6最小二乘正規(guī)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(shù)理解

2.7.2實例二： 多元線性回歸模型與代價函數(shù)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(shù)

3.3優(yōu)化函數(shù)

3.4邏輯回歸解決分類問題

3.4.1實例一： 牛頓法實現(xiàn)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正則化后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(guī)方程法優(yōu)化正則化線性回歸模型

3.6.2實例二： 牛頓法優(yōu)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(shù)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于郵件分類

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(shù)

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(shù)SVM解決線性不可分問題

5.4習題

第6章神經(jīng)網(wǎng)絡

6.1神經(jīng)網(wǎng)絡模型

6.2反向傳播算法

6.3神經(jīng)網(wǎng)絡實例分析

6.3.1實例一： 神經(jīng)網(wǎng)絡實現(xiàn)簡單分類問題

6.3.2實例二： 神經(jīng)網(wǎng)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(xiàn)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(xiàn)鳶尾花數(shù)據(jù)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(xiàn)

10.2.2實例二： 主成分分析(PCA)降維算法實現(xiàn)

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(xiàn)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(fā)式優(yōu)化算法

14.1遺傳算法原理

14.2優(yōu)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卷積神經(jīng)網(wǎng)絡

15.1.1卷積層

15.1.2池化層

15.1.3CNN模型

15.1.4實例一： CNN實現(xiàn)手寫數(shù)字識別

15.2循環(huán)神經(jīng)網(wǎng)絡

15.2.1RNN網(wǎng)絡概述

15.2.2LSTM網(wǎng)絡

15.2.3實例一： RNN實現(xiàn)時序數(shù)據(jù)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(lián)網(wǎng)硬件加速

15.3.1FPGA硬件平臺簡介

15.3.2開發(fā)軟件環(huán)境簡介

15.3.3實例一： RNN時序數(shù)據(jù)預測物聯(lián)網(wǎng)平臺實現(xiàn)

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(xiàn)

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(tǒng)

17.1推薦算法原理

17.2知識圖譜與推薦系統(tǒng)

17.2.1知識圖譜定義

17.2.2知識圖譜特征學習

17.2.3知識圖譜用于推薦系統(tǒng)

17.3推薦系統(tǒng)實例分析

17.3.1實例一： 基于線性混合深度網(wǎng)絡的推薦系統(tǒng)實現(xiàn)

17.3.2實例二： 基于知識圖譜的多任務神經(jīng)網(wǎng)絡智能推薦系統(tǒng)

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(shù)學推導BPTT算法

參考文獻