图书介绍
机器学习基础PDF|Epub|txt|kindle电子书版本网盘下载
- 吕云翔，马连韬，刘卓然，张凡，张程博编著 著
- 出版社： 北京：清华大学出版社
- ISBN：9787302496595
- 出版时间：2018
- 标注页数：159页
- 文件大小：25MB
- 文件页数：169页
- 主题词：机器学习
PDF下载
下载说明
机器学习基础PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 从两个问题谈起1
1.2 模型评估与模型参数选择4
1.2.1 验证5
1.2.2 正则化5
1.3 机器学习算法分类5
1.3.1 监督学习6
1.3.2 非监督学习7
习题8
第2章 回归9
2.1 线性回归9
2.2 Logistic回归12
习题13
第3章 LDA主题模型14
3.1 LDA简介14
3.2 数学基础15
3.2.1 多项分布15
3.2.2 Dirichlet分布16
3.2.3 共轭先验分布17
3.3 LDA主题模型18
3.3.1 基础模型18
3.3.2 PLSA模型19
3.3.3 LDA模型21
3.4 LDA模型应用实例23
3.4.1 配置安装24
3.4.2 文本预处理25
3.4.3 使用Gensim28
习题32
第4章 决策树33
4.1 决策树简介33
4.1.1 一个小例子33
4.1.2 几个重要的术语及决策树构造思路34
4.2 离散型决策树的构造36
4.3 连续性数值的处理36
4.4 决策树剪枝37
习题38
第5章 支持向量机39
5.1 分离超平面与最大间隔39
5.2 线性支持向量机40
5.2.1 硬间隔40
5.2.2 软间隔42
5.3 非线性支持向量机43
5.3.1 核方法44
5.3.2 常用的核函数44
5.4 操作实例：应用MATLAB多分类SVM、二分类SVM、决策树算法进行分类45
5.4.1 数据集选择45
5.4.2 数据预处理47
5.4.3 模型表现48
5.4.4 经验总结51
习题56
第6章 提升方法57
6.1 随机森林57
6.1.1 随机森林介绍57
6.1.2 Bootstrap Aggregation57
6.1.3 随机森林训练过程60
6.1.4 随机森林的优点与缺点60
6.2 Adaboost60
6.2.1 引入60
6.2.2 Adaboost实现过程61
6.2.3 Adaboost总结62
6.3 随机森林算法应用举例62
6.3.1 MATLAB中随机森林算法63
6.3.2 操作实例1：基于集成方法的IRIS数据集分类63
6.3.3 操作实例2：基于ensemble方法的人脸识别69
习题72
第7章 神经网络基础74
7.1 基础概念74
7.2 感知机78
7.2.1 单层感知机78
7.2.2 多层感知机79
7.3 BP神经网络79
7.3.1 梯度下降79
7.3.2 后向传播80
7.4 径向基函数网络81
7.4.1 精确插值与径向基函数81
7.4.2 径向基函数网络82
7.5 Hopfield网络84
7.5.1 Hopfield网络的结构84
7.5.2 Hopfield网络的训练85
7.5.3 Hopfield网络状态转移85
7.6 Boltzmann机86
7.7 自组织映射网络87
7.7.1 网络结构87
7.7.2 训练算法89
7.8 实例：使用MATLAB进行Batch Normalization90
7.8.1 浅识Batch Normalization90
7.8.2 MATLAB nntool使用简介92
习题100
第8章 深度神经网络102
8.1 什么是深度神经网络102
8.2 卷积神经网络103
8.2.1 卷积神经网络的基本思想103
8.2.2 卷积操作104
8.2.3 池化层106
8.2.4 卷积神经网络106
8.3 循环神经网络107
8.3.1 循环单元108
8.3.2 通过时间后向传播108
8.3.3 带有门限的循环单元109
8.4 MATLAB深度学习工具箱简介110
8.5 利用Theano搭建和训练神经网络115
8.5.1 Theano简介115
8.5.2 Theano的基本使用115
8.5.3 搭建训练神经网络的项目116
习题126
第9章 聚类算法127
9.1 简介127
9.1.1 聚类任务127
9.1.2 基本表示128
9.2 K-Means算法129
9.2.1 算法简介129
9.2.2 算法流程129
9.2.3 K-Means的一些改进131
9.2.4 选择合适的K131
9.2.5 X-Means133
9.3 层次聚类134
9.4 聚类算法拓展134
9.4.1 聚类在信号处理领域的应用134
9.4.2 以语义聚类的形式展示网络图像搜索结果135
习题136
第10章 寻优算法之遗传算法137
10.1 简介137
10.1.1 算法起源137
10.1.2 基本过程137
10.1.3 基本表示138
10.1.4 输入输出138
10.1.5 优缺点及应用139
10.2 算法原型139
10.2.1 初始化139
10.2.2 评估140
10.2.3 选择优秀个体141
10.2.4 交叉142
10.2.5 变异143
10.2.6 迭代143
10.3 算法拓展144
10.3.1 精英主义思想144
10.3.2 灾变144
习题145
第11章 项目实践：基于机器学习的监控视频行人检测与追踪系统146
11.1 引言146
11.2 相关算法与指标147
11.2.1 方向梯度直方图147
11.2.2 支持向量机147
11.2.3 结构相似性147
11.2.4 Haar-Like特征148
11.2.5 级联分类器148
11.2.6 特征脸148
11.3 系统设计与实现148
11.3.1 视频处理模块149
11.3.2 图像识别模块151
11.3.3 目标追踪模块152
11.4 系统测试152
11.4.1 测试环境152
11.4.2 系统单元测试与集成测试153
11.4.3 性能测试153
11.4.4 系统识别准确率测试154
11.5 结语154
参考文献156