人工智能算法大全：基於MATLAB（簡體書）

機器學習是一種實現人工智能的方法，用於研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能，其算法本質上是一種規律發現或問題解決的工具和方法。本書共分6篇，每一篇都對相應類別下常見算法的理論知識進行了詳細介紹，並配有應用算法和代碼的案例。
第一篇為特征處理算法篇，主要介紹了特征工程領域針對數據研究的幾種常用特征處理算法的相關知識，包括ReliefF特征選擇算法、Chi-Merge算法，以及特征規約算法。作為邁向機器學習的第一步，本篇詳細介紹了特征處理算法的相關思想、流程、優缺點，並通過實例對算法的具體應用進行了總結。
第二篇為分類和聚類算法篇，主要對幾種常見的分類和聚類算法進行介紹，包括KNN算法、K-Means算法、高斯混合聚類算法、ISODATA算法和譜聚類算法，詳細介紹了這些算法的思想、流程、核心知識和優缺點，並通過實際案例，對分類和聚類相關算法的具體應用進行了詳細講解。
第三篇為神經網絡算法篇，神經網絡算法是當下較為熱門的一個機器學習分支。神經網絡有多種分類，一般較為公認的有DNN、CNN、RNN三種。本篇將對與其相關的BP神經網絡與徑向基神經網絡算法、Hopfield神經網絡算法以及LSTM長短期記憶網絡算法的思想、流程、結構、優缺點進行了詳細介紹，並通過實際案例，展示了神經網絡算法的具體應用。
第四篇為優化算法篇，優化是數據分析的常用方法，在許多經典問題的求解中，優化算法都起到至關重要的作用。本篇對幾種常見優化算法的思想、流程、優缺點以及具體應用進行了介紹，包括網格尋優算法、模擬退火聚類算法和EMD經驗模態分解算法等。
第五篇為基於不同數學思想的算法篇，通過對粗糙集算法、基於核的Fisher算法、SVM支持向量機算法和傅裡葉級數及變換算法的思想、流程、概念、優缺點以及具體應用進行了詳細介紹，幫助讀者拓展對於“算法”這一概念的進一步理解。
第六篇為集成算法篇，集成算法的主旨是將弱學習器通過某種形式良好地組織起來，使得這些弱學習器各自的性能相加組合，從而達到強學習器的效果。本篇分別對AdaBoost、Bagging、Stacking和Gradient Boosting四種集成算法的思想、流程、優缺點以及具體應用進行了詳細介紹，從數據、弱學習器、集成方法三個角度出發進行深層次闡述。通過本篇的學習，讀者可以對集成算法形成較為全面的認識。
本書主要為有志於從事機器學習領域相關工作的讀者建立起一個通用性的流程和框架，並對流程的關鍵環節適當展開，給出一些介紹和程序案例。讀者可以從本書的學習中了解機器學習到底是什麼，並在今後結合自身的工作，進一步豐富和拓展這個流程和框架，從而最終成為一個機器學習算法的高級開發和應用者。

讀者定位和閱讀方法
本書分別從學習方式和理論知識兩個方面來對機器學習的算法進行分類介紹。在介紹每個算法時，都對其原理、思想、流程、優缺點等理論知識進行了詳細介紹，然後以具體的實例分析和代碼展示來對該算法的應用進行完整解說。通過閱讀本書，讀者可以對機器學習形成一個系統、全面、完整的認識，並且在今後的研究工作中逐步拓展，最終形成自己的體系。本書適用的讀者物件：金融機構的量化投資經理、科研工作者、互聯網企業的算法工程師、大中專院校相關專業師生，以及其他對機器學習技術感興趣的讀者。

配套資源
編者在金融業從業多年，有著豐富的業界積累。讀者可以掃描封底二維碼（IT有得聊），進入讀者俱樂部，其中有本書相關的視頻授課資源，以及豐富的機器學習算法資源和其他研究資源。
由於編者水平有限，書中錯誤和疏漏之處在所難免。在此，誠懇地期待廣大讀者批評指正。在技術之路上如能與大家互勉共進，也將倍感榮幸。

前言
第一篇特征處理算法

第1章ReliefF特征選擇算法
1.1原理介紹
1.1.1算法思想
1.1.2算法流程
1.1.3算法詳細介紹
1.2ReliefF特征選擇算法優缺點
1.3實例分析
1.3.1數據集介紹
1.3.2函數介紹
1.3.3ReliefF算法在分類問題中的實例分析
1.3.4ReliefF算法在回歸問題中的實例分析
1.4房價回歸預測問題的特征選擇案例代碼

第2章Chi-Merge算法
2.1原理介紹
2.1.1算法思想
2.1.2算法流程
2.2Chi-Merge算法的優缺點
2.3實例分析
2.3.1數據集介紹
2.3.2函數介紹
2.3.3結果分析
2.4代碼獲取

第3章特征規約算法
3.1特征規約算法原理介紹
3.1.1特征規約算法思想
3.1.2特征規約算法流程
3.1.3PCA算法及相關矩陣分解
3.2幾種特征規約算法的優缺點
3.3特征規約算法實例分析
3.3.1數據集介紹
3.3.2函數介紹
3.3.3結果分析
3.4代碼獲取

第二篇分類和聚類算法

第4章KNN算法
4.1原理介紹
4.1.1算法思想
4.1.2算法流程
4.2KNN算法的核心知識
4.2.1距離或相似度的衡量
4.2.2K值的選取
4.2.3K個鄰近樣本的選取
4.3KNN算法的優缺點
4.4實例分析
4.4.1數據集介紹
4.4.2函數介紹
4.4.3結果分析
4.5代碼獲取

第5章K-Means算法
5.1原理介紹
5.1.1算法思想
5.1.2算法流程
5.1.3K值的選取
5.2K-Means算法的優點與缺點
5.2.1K-Means算法的優點
5.2.2K-Means算法的缺點
5.3實例分析
5.3.1數據集介紹
5.3.2函數介紹
5.3.3K的選擇
5.3.4訓練結果分析
5.4代碼介紹
5.4.1K-Means訓練的函數代碼
5.4.2計算距離矩陣的函數代碼
5.4.3分析模型的代碼
5.5代碼獲取

第6章高斯混合聚類算法
6.1原理介紹
6.1.1算法思想
6.1.2算法流程
6.1.3EM算法理論與GMM參數推導
6.1.4EM聚類與K-Means聚類的對比
6.2高斯混合聚類算法的優缺點
6.3實例分析
6.3.1數據集介紹
6.3.2函數介紹
6.3.3學習過程
6.3.4樣本聚類結果
6.4代碼獲取

第7章ISODATA算法
7.1.1算法思想
7.1.2算法流程
7.2ISODATA算法的優缺點
7.3實例分析
7.3.1函數介紹
7.3.2數據介紹
7.3.3訓練結果
7.3.4其他參數下的聚類結果
7.4代碼介紹
7.4.1鳶尾花數據測試代碼
7.4.2代碼獲取

第8章譜聚類算法
8.1原理介紹
8.1.1算法思想
8.1.2譜聚類的切圖聚類
8.1.3算法流程
8.2聚類普算法的優缺點
8.3實例分析
8.3.1數據集介紹
8.3.2函數介紹
8.3.3結果分析
8.3.4代碼獲取

第三篇神經網絡算法

第9章BP神經網絡與徑向基神經網絡算法
9.1原理介紹
9.1.1算法思想
9.1.2算法流程
9.1.3BP神經網絡與徑向基神經網絡結構說明
9.1.4誤差反向傳遞（含權值偏置調整）
9.1.5調整輸出層的權值偏置矩陣
9.1.6調整隱含層權值偏置矩陣
9.1.7徑向基神經網絡
9.2BP和徑向基神經網絡算法的優缺點
9.2.1BP神經網絡和徑向基神經網絡的優點
9.2.2BP神經網絡和徑向基神經網絡的缺點
9.3實例分析
9.3.1數據集介紹
9.3.2BP神經網絡使用
9.3.3徑向基神經網絡的應用
9.4代碼獲取

第10章Hopfield神經網絡算法
10.1原理介紹
10.1.1算法思想
10.1.2算法流程
10.1.3Hopfield神經網絡結構
10.1.4離散Hopfield網絡能量函數收斂性證明
10.2Hopfield神經網絡算法的優點與缺點
10.3正交法權值計算
10.4正交法權值計算的吸引情況說明
10.5實例分析
10.6代碼獲取

第11章LSTM長短期記憶網絡算法
11.1原理介紹
11.1.1算法思想
11.1.2算法流程
11.2LSTM的數學推導和說明
11.2.1數據集符號申明
11.2.2訓練過程
11.3激活函數求導說明
11.4補充
11.5LSTM算法的優點與缺點
11.6實例分析
11.6.1數據集介紹
11.6.2函數介紹
11.6.3結果分析
11.7代碼獲取

第四篇優 化 算 法

第12章網格尋優算法
12.1原理介紹
12.1.1算法思想
12.1.2算法流程
12.2網格尋優算法的優缺點
12.3實例分析
12.3.1函數介紹
12.3.2結果分析
12.4代碼獲取

第13章模擬退火聚類算法
13.1原理介紹
13.1.1算法思想
13.1.2算法流程
13.2模擬退火算法的優缺點
13.3實例分析
13.3.1數據介紹
13.3.2函數介紹
13.3.3結果分析
13.4代碼介紹
13.4.1分析模型的代碼
13.4.2模擬退火結合K-Means算法的代碼獲取

第14章EMD經驗模態分解算法
14.1原理介紹
14.1.1算法思想
14.1.2算法流程
14.1.3經驗模態分解（EMD）的核心要點
14.1.4經驗模態分解的理論基礎
14.1.5包絡線擬合
14.1.6三次樣條插值的應用
14.1.7其他插值方法介紹
14.2EMD經驗模態分解算法的優缺點
14.3實例分析
14.3.1數據集介紹
14.3.2函數介紹
14.3.3上證指數EMD分解
14.4代碼獲取

第五篇基於不同數學思想的算法

第15章粗糙集算法
15.1原理介紹
15.1.1算法思想
15.1.2算法流程
15.1.3基本概念
15.2粗糙集算法的優缺點
15.3實例分析
15.3.1數據集介紹
15.3.2函數介紹
15.3.3訓練結果
15.3.4其他說明
15.4代碼介紹
15.4.1測試案例代碼
15.4.2粗糙集算法涉及的其他代碼獲取

第16章基於核的Fisher算法
16.1基於核的Fisher算法介紹
16.1.1算法思想
16.1.2基於核的Fisher算法數學推