封面
版权信息
作者简介
内容简介
高等学校电子信息类专业系列教材
序
前言
学习建议
视频目录
第一部分 基础知识和基本方法
第1章 机器学习概述
1.1 什么是机器学习
1.2 机器学习的类型
1.2.1 基本分类
1.2.2 监督学习及其功能分类
1.3 构建机器学习系统的基本问题
1.3.1 机器学习的基本元素
1.3.2 机器学习的一些基本概念
1.4 从简单示例理解机器学习
1.4.1 一个简单的回归示例
1.4.2 一个简单的分类示例
1.5 深度学习简介
1.6 本章小结
习题
第2章 统计与优化基础
2.1 概率论基础
2.1.1 离散随机变量
2.1.2 连续随机变量
2.1.3 随机变量的统一表示
2.1.4 随机变量的基本特征
2.1.5 随机特征的蒙特卡洛逼近
2.2 概率实例
2.2.1 离散随机变量示例
2.2.2 高斯分布
2.2.3 指数族
2.2.4 混合高斯过程
2.2.5 马尔可夫过程
2.3 最大似然估计
2.4 贝叶斯估计
2.5 贝叶斯决策
2.5.1 机器学习中的决策
2.5.2 分类的决策
2.5.3 回归的决策
2.6 随机变量的熵特征
2.6.1 熵的定义和基本性质
2.6.2 KL散度
2.7 非参数方法
2.8 优化技术概述
2.9 本章小结
习题
第3章 基本回归算法
3.1 线性回归
3.1.1 基本线性回归
3.1.2 线性回归的递推学习
3.1.3 多输出线性回归
3.2 正则化线性回归
3.3 线性基函数回归
3.4 本章小结
习题
第4章 基本分类算法
4.1 基本分类问题
4.2 线性判别函数模型
4.2.1 Fisher线性判别分析
*4.2.2 感知机
4.3 逻辑回归
4.3.1 二分类问题的逻辑回归
4.3.2 多分类问题的逻辑回归
4.4 朴素贝叶斯方法
4.5 高斯生成模型分类器
4.5.1 相同协方差矩阵情况的二分类
4.5.2 不同协方差矩阵情况的二分类
4.5.3 多分类情况
4.6 本章小结
习题
第5章 机器学习的性能与评估
5.1 模型的训练、验证与测试
5.2 机器学习模型的性能评估
5.3 机器学习模型的误差分解
5.4 机器学习模型的泛化性能
5.4.1 假设空间有限时的泛化误差界
*5.4.2 假设空间无限时的泛化误差界
5.5 本章小结
习题
第二部分 经典算法
第6章 支持向量机与核函数方法
6.1 线性可分的支持向量机
6.1.1 不等式约束的优化
6.1.2 线性可分情况SVM的原理
6.1.3 线性可分情况SVM的优化解
6.2 线性不可分情况的SVM
6.2.1 线性不可分情况SVM的优化解
6.2.2 合页损失函数
6.3 非线性支持向量机
6.3.1 SVM分类算法小结
6.3.2 核函数方法
6.4 SVM用于多分类问题
*6.5 支持向量回归
6.6 本章小结
习题
第7章 决策树算法
7.1 基本决策树算法
7.1.1 决策树的基本结构
7.1.2 信息增益和ID3算法
7.1.3 信息增益率和C4.5算法
7.2 CART算法
7.2.1 分类树
7.2.2 回归树
7.3 决策树的一些实际问题
7.3.1 连续数值变量
7.3.2 正则化和剪枝技术
7.3.3 缺失属性的训练样本问题
7.4 本章小结
习题
第8章 集成学习算法
8.1 Bagging和随机森林
8.1.1 自助采样和Bagging算法
8.1.2 随机森林算法
8.2 提升和AdaBoost算法
8.3 提升树算法
8.3.1 加法模型和提升树
8.3.2 梯度提升树
8.4 本章小结
习题
第三部分 进阶方法
第9章 神经网络与深度学习之一：基础
9.1 神经网络的基本结构
9.1.1 神经元结构
9.1.2 多层神经网络解决异或问题
9.1.3 多层感知机
9.1.4 神经网络的逼近定理
9.2 神经网络的目标函数和优化
9.2.1 神经网络的目标函数
9.2.2 神经网络的优化
9.3 误差反向传播算法
9.3.1 反向传播算法的推导
9.3.2 反向传播算法的向量形式
9.4 神经网络学习中的一些问题
9.4.1 初始化
9.4.2 正则化
9.4.3 几类等价正则化技术
9.5 本章小结
习题
第10章 神经网络与深度学习之二：结构与优化
10.1 卷积神经网络
10.1.1 基本CNN的结构
*10.1.2 卷积的一些扩展结构
*10.1.3 CNN示例介绍
10.2 循环神经网络
10.2.1 基本RNN
10.2.2 RNN的计算流程
*10.2.3 RNN的扩展BP算法
10.2.4 深度RNN
*10.2.5 长短期记忆模型
*10.2.6 门控循环单元
10.3 深度学习中的优化算法
10.3.1 小批量SGD算法
10.3.2 动量SGD算法
10.3.3 自适应学习率算法
10.4 深度学习训练的正则化技术
10.4.1 Dropout技术
10.4.2 批归一化
10.5 本章小结
习题
第11章 无监督学习算法
11.1 聚类算法
11.1.1 K均值聚类算法
11.1.2 其他度量和聚类算法
11.2 EM算法
11.2.1 独立同分布情况
*11.2.2 通过KL散度对EM算法的解释
11.3 EM算法求解高斯混合模型参数
11.3.1 GMM参数估计
11.3.2 GMM的软聚类
11.4 主分量分析
11.4.1 主分量分析原理
11.4.2 广义Hebb算法
11.5 本章小结
习题
第12章 强化学习
12.1 强化学习的基本问题
12.2 马尔可夫决策过程
12.2.1 MDP的定义
12.2.2 贝尔曼方程
12.2.3 最优策略
12.2.4 强化学习的类型
12.2.5 探索与利用
12.3 动态规划
12.3.1 策略迭代方法
12.3.2 值函数迭代方法
12.4 强化学习的蒙特卡洛方法
12.4.1 MC部分策略评估
12.4.2 MC策略改进
12.5 强化学习的时序差分方法
12.5.1 基本时序差分学习和Sarsa算法
12.5.2 Q学习
12.5.3 DP、MC和TD算法的简单比较
12.6 强化学习的值函数逼近
12.6.1 基本线性值函数逼近
12.6.2 深度Q网络
12.7 策略梯度方法
12.7.1 MC策略梯度算法Re inforce
12.7.2 行动器-评判器方法
*12.8 多臂赌博机
12.9 本章小结
习题
参考文献
附录A 课程的实践型作业实例
附录B 函数对向量和矩阵的求导
更新时间：2024-12-27 23:38:32
完结共208章
倒序