机器学习的算法分析和实践电子书

作者简介

内容简介

前言

第1章 引论

1.1 什么是机器学习

1.2 多项式逼近函数

1.3 多项式Remez算法

习题

第2章 感知机模型

2.1 分类问题的刻画

2.2 线性规划

习题

第3章 线性回归

3.1 最小二乘法原理

3.2 多元高斯分布模型

3.3 误差和方差

3.4 岭回归和Lasso回归

习题

第4章 逻辑回归

4.1 逻辑回归概述

4.2 多重分类线性模型和非线性模型

习题

第5章 决策树模型

5.1 离散型数据

5.2 熵和决策树的建立

5.3 剪枝

5.4 连续型数据

5.5 CART树

习题

第6章 生成模型和判别模型

6.1 极大似然估计

6.2 贝叶斯估计

6.3 线性判别模型

6.4 多元正态分布

6.5 LDA和LQA

第7章 优化方法

7.1 数值解方程

7.2 光滑函数的极值点

7.3 带约束条件的极值问题

7.4 梯度下降法

7.5 凸函数

7.6 对偶问题

7.7 Minimax问题

7.8 L1过滤

第8章 支持向量机

8.1 点到平面的距离

8.2 支持向量机的原理

8.3 对偶问题

8.4 核函数的方法

8.5 软性支持向量机

8.6 支持向量机回归

习题

第9章 神经网络

9.1 简单函数逼近复杂函数

9.2 神经网络结构

习题

第10章 机器学习理论问题

10.1 问题的提出

10.2 概率不等式

10.3 有限假设空间

10.4 No Free Lunch定理

10.5 VC维度

习题

第11章 集成和提升

11.1 方差偏度分解

11.2 随机森林

11.3 梯度提升决策树模型

11.4 AdaBoost方法

习题

第12章 主成分分析

12.1 对称矩阵特征值和特征向量

12.2 矩阵的奇异值分解

12.3 主成分分析

第13章 EM算法

13.1 一个概率问题

13.2 混合高斯分布的EM算法

13.3 一般形式推导

习题

第14章 隐马尔可夫模型

14.1 第一个问题

14.2 第二个问题

14.3 第三个问题

14.4 连续型隐马尔可夫模型

习题

第15章 强化学习

15.1 马尔可夫价值系统

15.2 马尔可夫价值蒙特卡罗数值解

15.3 马尔可夫决策系统

15.4 马尔可夫决策系统最优策略

15.5 时序差分方法

15.6 资格迹

15.7 值函数逼近方法

习题

第16章 概率论基础

16.1 古典概率论内容

16.2 连续分布

16.3 期望

16.4 信息和熵

16.5 大数定律证明

16.6 中心极限定理证明

第17章 线性代数基础

17.1 行列式

17.2 Cramer法则

17.3 矩阵初等性质

17.4 矩阵的逆

17.5 矩阵的初等变换

17.6 伴随矩阵

17.7 对于矩阵运算求导数