機器學習方法及應用（簡體書）

數據是載體，智能是目標，而機器學習則是從數據通往智能的技術途徑。機器學習是數據科學的核心，是現代人工智能的本質。本書內容包括機器學習概述、決策樹學習、多層感知器、維度約簡、支持向量機、無監督學習、概率圖模型、強化學習、深度學習。本書除介紹常用的機器學習方法外，還綜述各主要方法的應用現狀。通過各章案例的詳細描述,讀者可以系統地掌握機器學習方法。本書應用案例採用Python語言編寫，並提供下載網址。

本書適合作為高等院校人工智能、數據科學與大數據、計算機科學與技術、軟件工程等計算機類專業的本科生及研究生“機器學習”課程教材，也適合作為機器學習愛好者的參考讀物。

基礎性：注重基礎理論，運用基本方法；應用性：剖析典型案例，給出應用全景；啟發性：推薦資源平臺，激發學習興趣。

目錄

第1章機器學習概述1

1.1學習中的元素2

1.2目標函數的表示4

1.3機器學習系統的基本結構6

1.4學習任務的類型7

1.5機器學習的定義和發展史9

1.6機器學習可完成的事11

1.7機器學習的成功案例13

習題16

第2章決策樹學習17

2.1決策樹的組成及分類17

2.2決策樹的構造算法CLS18

2.3基本的決策樹算法ID320

2.4信息熵和信息增益及其案例21

2.5隨機森林及其應用案例24

2.5.1隨機森林概述24

2.5.2隨機森林應用案例27

2.6決策樹和隨機森林應用概述29

2.6.1決策樹的應用概述29

2.6.2隨機森林的應用概述30

小結32

習題32

第3章多層感知器34

3.1神經元模型34

3.2感知器及其學習規則35

3.3多層感知器38

3.4反向傳播算法39

目錄3.5反向傳播網絡的應用概述45

3.6案例：基於反向傳播網絡擬合曲線46

小結52

習題53

第4章維度約簡55

4.1主成分分析55

4.2獨立成分分析58

4.3線性判別分析59

4.4局部線性嵌入62

4.5維度約簡算法應用概述65

4.6案例分析66

4.6.1利用PCA對半導體製造數據降維66

4.6.2LDA降維――應用於Wine葡萄酒數據集67

小結69

習題69

第5章支持向量機71

5.1線性可分模式的最優超平面71

5.2不可分離模式的最優超平面75

5.3用於模式識別的支持向量機的潛在思想78

5.4使用核方法的支持向量機78

5.5支持向量機的設計80

5.6支持向量機的應用概述81

5.7支持向量機的示例83

小結86

習題87

第6章無監督學習89

6.1聚類概述89

6.2Kmeans算法90

6.3DBSCAN算法92

6.4EM算法94

6.5關聯分析97

6.6競爭網絡99

6.6.1Hamming網絡100

6.6.2競爭學習及案例101

6.6.3自組織特徵圖104

6.6.4學習向量量化107

6.7無監督學習應用概述109

6.8案例分析111

6.8.1使用K-means算法對用戶購物行為聚類和推薦111

6.8.2使用DBSCAN清洗GPS軌跡數據111

6.8.3高斯混合模型的EM聚類113

6.8.4學習向量量化解決分類問題114

小結116

習題116

第7章概率圖模型118

7.1貝葉斯網絡118

7.1.1貝葉斯基本公式119

7.1.2樸素貝葉斯分類器120

7.1.3貝葉斯網絡的拓撲結構121

7.1.4條件獨立性假設121

7.1.5先驗概率的確定和網絡推理算法122

7.2馬爾可夫隨機場124

7.2.1馬爾可夫隨機場概念125

7.2.2馬爾可夫隨機場的因式分解126

7.3隱馬爾可夫模型128

7.4馬爾可夫鏈蒙特卡羅131

7.4.1蒙特卡羅積分131

7.4.2馬爾可夫鏈132

7.4.3馬爾可夫鏈蒙特卡羅132

7.5LDA主題提取模型136

7.6概率圖模型應用概述138

7.7案例分析141

7.7.1樸素貝葉斯進行垃圾郵件過濾141

7.7.2前向後向算法求觀測序列概率142

7.7.3馬爾可夫鏈蒙特卡羅方法預測睡眠質量144

7.7.4利用LDA對文本進行主題提取148

小結149

習題150

第8章強化學習151

8.1強化學習過程151

8.2馬爾可夫決策過程152

8.3Q-Learning156

8.4強化學習應用概述159

8.5案例分析161

8.5.1使用馬爾可夫決策過程求解最優策略162

8.5.2尋寶遊戲163

小結164

習題165

第9章深度學習166

9.1深度學習概述166

9.2卷積神經網絡169

9.2.1卷積層169

9.2.2池化層171

9.2.3卷積神經網絡結構172

9.3循環神經網絡172

9.3.1給網絡增加記憶能力173

9.3.2簡單循環網絡174

9.3.3應用到機器學習175

9.3.4參數學習177

9.3.5基於門控的循環神經網絡179

9.4深度信念網絡181

9.4.1玻爾茲曼機181

9.4.2受限玻爾茲曼機182

9.4.3深度信念網絡183

9.5深度生成模型185

9.5.1概率生成模型185

9.5.2變分自編碼器186

9.5.3生成對抗網絡188

9.5.4生成對抗網絡的應用190

9.6深度學習應用概述193

9.6.1文本194

9.6.2語音195

9.6.3計算機視覺196

9.7機器學習系統199

9.7.1主流機器學習系統的分類與介紹200

9.7.2主流深度學習框架系統介紹201

9.7.3新興機器學習系統203

9.8案例：深度學習在計算機視覺中的應用204

小結210

習題210

附錄機器學習工具及資源推薦212

參考文獻217