机器学习入门到实战——MATLAB 实践应用
作者:冷雨泉 张会文 张伟
格式: pdf、txt、epub、azw3、mobi、docx
编辑推荐
《机器学习入门与实战——MATLAB实践应用》的编写是作者在多年机器学习及工作经验的基础上，对大量的网络资源、论文和相关书籍进行总结、整理、分析而来。全书共分为三部分，分别为机器学习概念篇、MATLAB机器学习基础篇、机器学习算法与MATLAB实践篇。
内容简介
本书主要介绍经典的机器学习算法的原理及改进，以及MATLAB的实例实现。本书内容分为三部分。*部分(第1章)是机器学习概念篇，介绍机器学习的相关概念，并且对机器学习的各类算法进行分类，以便读者对机器学习的知识框架有一个整体的了解，从而在后续的学习中更容易接受机器学习涉及的各类算法。第二部分(第2章、第3章)是MATLAB机器学习基础篇，介绍MATLAB的基本使用方法，以及MATLAB集成的机器学习工具箱。MATLAB易上手的特点让使用者将更多的精力专注于算法开发与使用，而不是搭建算法实现开发平台。第三部分(第4章~第19章)是机器学习算法与MATLAB实践篇，对监督学习、无/非监督学习、强化学习三大类常用算法进行逐个讲解，包括机器学习算法原理、算法优缺点、算法的实例解释以及MATLAB的实践应用。
本书适合以下读者： 对人工智能、机器学习感兴趣的读者； 希望用机器学习完成设计的计算机或电子信息专业学生； 准备开设机器学习、深度学习实践课的授课老师； 学习过C语言，且希望进一步提升编程水平的开发者； 刚从事机器学习、语音、机器视觉、智能机器人研发的算法工程师。
目 录
目录
第一部分机器学习概念篇
●第1章机器学习基础
1.1机器学习概述
1.1.1机器学习的概念
1.1.2机器学习的发展史
1.1.3机器学习的用途
1.1.4机器学习、数据挖掘及人工智能的关系
1.2机器学习基本术语
1.3机器学习任务及算法分类
1.4如何学习和运用机器学习
1.4.1软件平台的选择
1.4.2机器学习应用实现流程
1.5数据预处理
1.5.1数据初步选取
1.5.2数据清理
1.5.3数据集成
1.5.4数据变换
1.5.5数据归约
参考文献
第二部分MATLAB机器学习基础篇
●第2章MATLAB基础入门
2.1MATLAB界面介绍
2.2矩阵赋值与运算
2.3m文件及函数实现与调用
2.4基本流程控制语句
2.5基本绘图方法
2.5.1二维绘图函数的基本用法
2.5.2三维绘图函数的基本用法
2.5.3颜色与形状参数列表
2.5.4图形窗口分割与坐标轴
2.6数据文件导入与导出
参考文献
●第3章MATLAB机器学习工具箱
3.1工具箱简介
3.2分类学习器基本操作流程
3.3分类学习器算法优化与选择
3.3.1特征选择
3.3.2选择分类器算法
3.4工具箱分类学习实例
参考文献
第三部分机器学习算法与MATLAB实践篇
●第4章k近邻算法
4.1k近邻算法原理
4.1.1k近邻算法实例解释
4.1.2k近邻算法的特点
4.2基于k近邻算法的算法改进
4.2.1快速KNN算法
4.2.2kd树KNN算法
4.3k近邻算法的MATLAB实践
参考文献
●第5章决策树
5.1决策树算法原理
5.1.1决策树算法基本原理
5.1.2决策树算法的特点
5.1.3决策树剪枝
5.1.4分类决策树与回归决策树
5.2基于决策树算法的算法改进
5.2.1ID3决策树
5.2.2C4.5决策树
5.2.3分类回归树
5.2.4随机森林
5.3决策树算法MATLAB实践
参考文献
●第6章支持向量机
6.1支持向量机算法原理
6.1.1支持向量机概述
6.1.2支持向量机算法及推导
6.1.3支持向量机核函数
6.2改进的支持向量机算法
6.3支持向量机算法的MATLAB实践
参考文献
●第7章朴素贝叶斯
7.1贝叶斯定理
7.2朴素贝叶斯分类
7.3朴素贝叶斯实例分析
7.4朴素贝叶斯分类算法的改进
7.4.1半朴素贝叶斯分类模型
7.4.2树增强朴素贝叶斯分类模型
7.4.3贝叶斯网络
7.4.4朴素贝叶斯树
7.4.5属性加权朴素贝叶斯分类算法
7.5朴素贝叶斯算法MATLAB实践
参考文献
●第8章线性回归
8.1线性回归原理
8.1.1简单线性回归
8.1.2线性回归实例
8.2多元线性回归
8.3线性回归算法的MATLAB实践
参考文献
●第9章逻辑回归
9.1逻辑回归原理
9.1.1Sigmoid函数
9.1.2梯度下降法
9.2逻辑回归理论推导
9.2.1逻辑回归理论公式推导
9.2.2向量化
9.2.3逻辑回归算法的实现步骤
9.2.4逻辑回归的优缺点
9.3逻辑回归算法的改进
9.3.1逻辑回归的正则化
9.3.2主成分改进的逻辑回归方法
9.4逻辑回归的MATLAB实践
参考文献
●第10章神经网络
10.1神经网络算法原理
10.1.1神经网络工作原理
10.1.2神经网络的特点
10.1.3人工神经元模型
10.2前向神经网络
10.2.1感知器
10.2.2BP算法
10.3基于神经网络的算法拓展
10.3.1深度学习
10.3.2极限学习机
10.4神经网络的MATLAB实践
参考文献
●第11章AdaBoost算法
11.1集成学习方法简介
11.1.1集成学习方法分类
11.1.2集成学习Boosting算法
11.2AdaBoost算法原理
11.2.1AdaBoost算法思想
11.2.2AdaBoost算法理论推导
11.2.3AdaBoost算法的实现步骤
11.2.4AdaBoost算法的特点
11.2.5通过实例理解AdaBoost算法
11.3AdaBoost算法的改进
11.3.1RealAdaBoost算法
11.3.2GentleAdaBoost算法
11.3.3LogitBoost算法
11.4AdaBoost算法的MATLAB实践
参考文献
●第12章k均值算法
12.1k均值算法原理
12.1.1k均值算法基本原理
12.1.2k均值算法的实现步骤
12.1.3k均值算法实例
12.1.4k均值算法的特点
12.2基于kmeans算法的算法改进
12.2.1改善k值选取方式的kmeans改进算法
12.2.2改进初始聚类中心选择方式的kmeans改进算法
12.3kmeans算法的MATLAB实践
参考文献
●第13章期望最大化算法
13.1EM算法
13.1.1EM算法思想
13.1.2似然函数和极大似然估计
13.1.3Jensen不等式
13.1.4EM算法理论和公式推导
13.1.5EM算法的收敛速度
13.1.6EM算法的特点
13.2EM算法的改进
13.2.1Monte Carlo EM算法
13.2.2ECM算法
13.2.3ECME算法
13.3EM算法的MATLAB实践
参考文献
●第14章k中心点算法
14.1经典k中心点算法——PAM算法
14.1.1PAM算法原理
14.1.2PAM算法实例
14.1.3PAM算法的特点
14.2k中心点算法的改进
14.3k中心点算法的MATLAB实践
参考文献
●第15章关联规则挖掘的Apriori算法
15.1关联规则概述
15.1.1关联规则的基本概念
15.1.2关联规则的分类
15.2Apriori算法原理
15.3Apriori算法的改进
15.3.1基于分片的并行方法
15.3.2基于hash的方法
15.3.3基于采样的方法
15.3.4减少交易个数的方法
15.4Apriori算法的MATLAB实践
参考文献
●第16章高斯混合模型
16.1高斯混合模型原理
16.1.1单高斯模型
16.1.2高斯混合模型
16.1.3模型的建立
16.1.4模型参数的求解
16.2GMM算法的MATLAB实践
16.2.1生成一个高斯混合模型
16.2.2拟合GMM
16.2.3GMM聚类实例
16.3GMM的改进及MATLAB实践
16.3.1GMM的正则化
16.3.2GMM中k的选择问题
16.3.3GMM拟合的初始值选择问题
参考文献
●第17章DBSCAN算法
17.1DBSCAN算法原理
17.1.1DBSCAN算法的基本概念
17.1.2DBSCAN算法原理
17.1.3DBSCAN算法的实现步骤
17.1.4DBSCAN算法的优缺点
17.2DBSCAN算法的改进
17.2.1DPDGA算法
17.2.2并行DBSCAN算法
17.3DBSCAN算法的MATLAB实践
参考文献
●第18章策略迭代和值迭代
18.1基本概念
18.1.1强化学习的基本模型
18.1.2马尔可夫决策过程
18.1.3策略
18.1.4值函数
18.1.5贝尔曼方程
18.2策略迭代算法原理
18.3值迭代算法原理
18.4策略迭代和值迭代算法的MATLAB实践
参考文献
●第19章SARSA算法和Q学习算法
19.1SARSA算法原理
19.2SARSA算法的MATLAB实践
19.3Q学习算法原理
19.4Q学习算法的MATLAB实践
参考文献
全部评论: 0条