機(jī)器學(xué)習(xí)技術(shù)及應(yīng)用

第1章 機(jī)器學(xué)習(xí)介紹 001
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 002
1.1.1 機(jī)器學(xué)習(xí)的基本概念 003
1.1.2 機(jī)器學(xué)習(xí)的發(fā)展歷史 005
1.2 機(jī)器學(xué)習(xí)的分類及典型算法 010
1.2.1 機(jī)器學(xué)習(xí)的分類 010
1.2.2 監(jiān)督學(xué)習(xí) 011
1.2.3 非監(jiān)督學(xué)習(xí) 014
1.2.4 半監(jiān)督學(xué)習(xí) 015
1.2.5 強(qiáng)化學(xué)習(xí) 018
本章小結(jié) 019
習(xí)題 020
第2章 基于Python語(yǔ)言的機(jī)器學(xué)習(xí)環(huán)境搭建與配置 023
2.1 機(jī)器學(xué)習(xí)相關(guān)軟件介紹 024
2.1.1 機(jī)器學(xué)習(xí)開(kāi)發(fā)語(yǔ)言 024
2.1.2 機(jī)器學(xué)習(xí)開(kāi)發(fā)工具 028
2.2 機(jī)器學(xué)習(xí)開(kāi)發(fā)環(huán)境搭建 036
2.2.1 Python的安裝及使用 036
2.2.2 Anaconda的安裝及使用 041
2.2.3 PyCharm的安裝及使用 052
2.3 常見(jiàn)機(jī)器學(xué)習(xí)庫(kù)函數(shù)功能介紹 059
2.3.1 基礎(chǔ)科學(xué)計(jì)算庫(kù)（NumPy） 059
2.3.2 科學(xué)計(jì)算工具集（Scipy） 068
2.3.3 數(shù)據(jù)分析庫(kù)（Pandas） 074
2.3.4 圖形繪制庫(kù)（Matplotlib） 079
2.3.5 機(jī)器學(xué)習(xí)常用算法庫(kù)（Scikit-learn） 080
本章小結(jié) 083
習(xí)題 084
第3章 監(jiān)督學(xué)習(xí) 087
3.1 線性回歸算法 088
3.1.1 常用損失函數(shù) 089
3.1.2 最小二乘法 091
3.1.3 梯度下降法 092
3.1.4 線性回歸算法實(shí)例 094
3.2 決策樹(shù)算法 098
3.2.1 分類準(zhǔn)則 099
3.2.2 ID3算法 102
3.2.3 C4.5算法 108
3.2.4 CART算法 111
3.2.5 決策樹(shù)算法實(shí)例 113
3.3 k近鄰算法 116
3.3.1 k值的選取及特征歸一化 117
3.3.2 kd樹(shù) 120
3.3.3 k近鄰算法實(shí)例 128
3.4 支持向量機(jī)算法 133
3.4.1 線性可分性 133
3.4.2 對(duì)偶問(wèn)題 136
3.4.3 核函數(shù) 139
3.4.4 軟間隔 142
3.4.5 支持向量機(jī)算法實(shí)例 144
本章小結(jié) 146
習(xí)題 146
第4章 非監(jiān)督學(xué)習(xí) 149
4.1 非監(jiān)督學(xué)習(xí)概述 150
4.1.1 非監(jiān)督學(xué)習(xí)的基本概念 150
4.1.2 非監(jiān)督學(xué)習(xí)的分類 151
4.1.3 非監(jiān)督學(xué)習(xí)的特點(diǎn) 152
4.1.4 非監(jiān)督學(xué)習(xí)的應(yīng)用 153
4.2 主成分分析降維算法 154
4.2.1　數(shù)據(jù)降維介紹 154
4.2.2 PCA算法介紹 155
4.2.3 PCA算法求解步驟 159
4.2.4 PCA算法實(shí)例 161
4.3 K-means聚類算法 163
4.3.1 聚類算法簡(jiǎn)介 163
4.3.2 K-means算法介紹 164
4.3.3 K-means算法求解步驟 165
4.3.4 K-means算法實(shí)例 170
本章小結(jié) 172
習(xí)題 173
第5章 人工神經(jīng)網(wǎng)絡(luò) 175
5.1 人工神經(jīng)網(wǎng)絡(luò)概述 176
5.1.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程 176
5.1.2 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 180
5.1.3 人工神經(jīng)網(wǎng)絡(luò)模型 188
5.1.4 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 191
5.2 房?jī)r(jià)預(yù)測(cè)實(shí)例 193
5.2.1 房?jī)r(jià)預(yù)測(cè)模型構(gòu)建 193
5.2.2 房?jī)r(jià)預(yù)測(cè)網(wǎng)絡(luò)構(gòu)建 198
5.3 手寫數(shù)字識(shí)別實(shí)例 199
5.3.1 手寫數(shù)字識(shí)別簡(jiǎn)介 199
5.3.2 手寫數(shù)字識(shí)別網(wǎng)絡(luò)構(gòu)建 201
本章小結(jié) 203
習(xí)題 203
第6章 強(qiáng)化學(xué)習(xí) 205
6.1 強(qiáng)化學(xué)習(xí)概述 206
6.1.1 強(qiáng)化學(xué)習(xí)的基本概念 206
6.1.2 強(qiáng)化學(xué)習(xí)的發(fā)展歷史 208
6.1.3 強(qiáng)化學(xué)習(xí)的分類 210
6.1.4 強(qiáng)化學(xué)習(xí)的特點(diǎn)及應(yīng)用 211
6.2 強(qiáng)化學(xué)習(xí)基礎(chǔ) 212
6.2.1 馬爾可夫決策過(guò)程 212
6.2.2 貪心算法 213
6.3 有模型學(xué)習(xí)和無(wú)模型學(xué)習(xí) 214
6.3.1 有模型學(xué)習(xí) 214
6.3.2 無(wú)模型學(xué)習(xí) 216
6.4 強(qiáng)化學(xué)習(xí)實(shí)例 216
6.4.1 Q-Learning算法 216
6.4.2 Sarsa算法 232
本章小結(jié) 242
習(xí)題 243