机器学习基础 原理、算法与实践PDF|Epub|txt|kindle电子书版本网盘下载

机器学习基础 原理、算法与实践PDF格式电子书版下载

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

第1章 机器学习介绍1

1.1 机器学习简介2

1.1.1 什么是机器学习2

1.1.2 机器学习与日常生活3

1.1.3 如何学习机器学习4

1.1.4 MATLAB优势5

1.2 基本概念5

1.2.1 机器学习的种类6

1.2.2 有监督学习6

1.2.3 无监督学习7

1.2.4 机器学习术语7

1.2.5 预处理9

1.3 MATLAB数据格式10

1.3.1 标称数据10

1.3.2 序数数据11

1.3.3 分类数据11

1.4 示例数据集12

1.4.1 天气问题12

1.4.2 鸢尾花15

1.4.3 其他数据集16

1.5 了解你的数据16

习题20

第2章 线性回归21

2.1 从一个实际例子说起22

2.1.1 模型定义23

2.1.2 模型假设23

2.1.3 模型评估24

2.2 最小二乘法24

2.2.1 最小二乘法求解参数25

2.2.2 用最小二乘法来拟合奥运会数据26

2.2.3 预测比赛结果27

2.3 梯度下降27

2.3.1 基本思路28

2.3.2 梯度下降算法29

2.3.3 梯度下降求解线性回归问题30

2.4 多变量线性回归32

2.4.1 多变量线性回归问题33

2.4.2 多变量梯度下降34

2.4.3 随机梯度下降38

2.4.4 正规方程40

2.5 多项式回归42

2.5.1 多项式回归算法42

2.5.2 正则化45

习题47

第3章 逻辑回归49

3.1 逻辑回归介绍50

3.1.1 线性回归用于分类50

3.1.2 假设函数51

3.1.3 决策边界52

3.2 逻辑回归算法53

3.2.1 代价函数53

3.2.2 梯度下降算法54

3.2.3 MATLAB优化函数56

3.2.4 多项式逻辑回归58

3.3 多元分类60

3.3.1 一对多60

3.3.2 一对一62

3.3.3 Softmax回归64

习题66

第4章 贝叶斯分类器67

4.1 简介68

4.1.1 概述68

4.1.2 判别模型和生成模型68

4.1.3 极大似然估计69

4.2 高斯判别分析72

4.2.1 多元高斯分布72

4.2.2 高斯判别模型73

4.3 朴素贝叶斯75

4.3.1 朴素贝叶斯算法76

4.3.2 文本分类81

习题86

第5章 模型评估与选择87

5.1 简介88

5.1.1 训练误差与泛化误差88

5.1.2 偏差和方差89

5.2 评估方法90

5.2.1 训练集、验证集和测试集的划分91

5.2.2 交叉验证92

5.3 性能度量95

5.3.1 常用性能度量95

5.3.2 查准率和查全率96

5.3.3 ROC和AUC98

5.4 偏差与方差折中100

5.4.1 偏差与方差诊断101

5.4.2 正则化与偏差方差102

5.4.3 学习曲线103

习题104

第6章 K-均值算法和EM算法107

6.1 聚类分析108

6.1.1 K-means算法描述108

6.1.2 K-means算法应用112

6.1.3 注意事项113

6.2 EM算法114

6.2.1 基本EM算法114

6.2.2 EM算法的一般形式115

6.2.3 混合高斯模型118

习题123

第7章 决策树125

7.1 决策树介绍126

7.2 ID3算法127

7.2.1 信息熵127

7.2.2 信息增益计算示例127

7.2.3 ID3算法描述132

7.2.4 ID3算法实现134

7.3 C4.5算法134

7.3.1 基本概念135

7.3.2 剪枝处理139

7.3.3 C4.5算法描述140

7.3.4 C4.5算法实现142

7.4 CART算法144

7.4.1 CART算法介绍144

7.4.2 CART算法描述147

7.4.3 CART算法实现149

习题150

第8章 神经网络151

8.1 神经网络介绍152

8.1.1 从一个实例说起152

8.1.2 神经元153

8.1.3 神经网络结构154

8.1.4 简化的神经网络模型157

8.1.5 细节说明160

8.2 神经网络学习161

8.2.1 代价函数161

8.2.2 BP算法162

8.2.3 BP算法实现166

8.2.4 平方代价函数的情形171

习题171

第9章 隐马尔科夫模型173

9.1 隐马尔科夫模型基本概念174

9.1.1 离散马尔科夫过程174

9.1.2 扩展至隐马尔科夫模型176

9.1.3 HMM的组成和序列生成179

9.1.4 三个基本问题181

9.2 求解HMM三个基本问题182

9.2.1 评估问题183

9.2.2 解码问题187

9.2.3 学习问题190

习题196

第10章 支持向量机197

10.1 支持向量机介绍198

10.2 最大间隔超平面198

10.2.1 SVM问题的形式化描述199

10.2.2 函数间隔和几何间隔199

10.2.3 最优间隔分类器201

10.2.4 使用优化软件求解SVM203

10.3 对偶算法204

10.3.1 SVM对偶问题204

10.3.2 使用优化软件求解对偶SVM206

10.4 非线性支持向量机208

10.4.1 核技巧208

10.4.2 常用核函数210

10.5 软间隔支持向量机213

10.5.1 动机及原问题213

10.5.2 对偶问题214

10.5.3 使用优化软件求解软间隔对偶SVM215

10.6 SMO算法218

10.6.1 SMO算法描述218

10.6.2 简化SMO算法实现221

10.7 LibSVM226

10.7.1 LibSVM的安装226

10.7.2 LibSVM函数228

10.7.3 LibSVM实践指南230

习题232

第11章 推荐系统233

11.1 推荐系统介绍234

11.1.1 什么是推荐系统234

11.1.2 数据集描述235

11.1.3 推荐系统符号236

11.2 基于用户的协同过滤236

11.2.1 相似性度量237

11.2.2 算法描述239

11.2.3 算法实现240

11.3 基于物品的协同过滤241

11.3.1 调整余弦相似度和预测241

11.3.2 Slope One算法描述与实现243

11.4 基于内容的协同过滤算法与实现247

11.4.1 算法描述247

11.4.2 算法实现250

习题251

第12章 主成分分析253

12.1 主成分分析介绍254

12.2 本征值与奇异值分解255

12.2.1 本征值分解255

12.2.2 奇异值分解256

12.3 PCA算法描述256

12.3.1 PCA算法257

12.3.2 从压缩表示中重建258

12.3.3 确定主成分数量258

12.4 PCA实现260

12.4.1 假想实例260

12.4.2 MNIST实例264

习题265

习题参考答案267

符号表294

参考文献295