机器学习入门到实战——MATLAB 实践应用电子书

封面页

书名页

版权页

内容简介

前言

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

2.1　MATLAB界面介绍

2.2　矩阵赋值与运算

2.3　m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

4.1　k近邻算法原理

4.1.1　k近邻算法实例解释

4.1.2　k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

4.2.2　k-d树KNN算法

4.3　k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

5.2.1　ID3决策树

5.2.2　C4.5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

9.1.1　Sigmoid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

10.2.2　BP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

11.2　AdaBoost算法原理

11.2.1　AdaBoost算法思想

11.2.2　AdaBoost算法理论推导

11.2.3　AdaBoost算法的实现步骤

11.2.4　AdaBoost算法的特点

11.2.5　通过实例理解AdaBoost算法

11.3　AdaBoost算法的改进

11.3.1　RealAdaBoost算法

11.3.2　GentleAdaBoost算法

11.3.3　LogitBoost算法

11.4　AdaBoost算法的MATLAB实践

参考文献

第12章　k均值算法

12.1　k均值算法原理

12.1.1　k均值算法基本原理

12.1.2　k均值算法的实现步骤

12.1.3　k均值算法实例

12.1.4　k均值算法的特点

12.2　基于k-means算法的算法改进

12.2.1　改善k值选取方式的k-means改进算法

12.2.2　改进初始聚类中心选择方式的k-means改进算法

12.3　k-means算法的MATLAB实践

参考文献

第13章　期望最大化算法

13.1　EM算法

13.1.1　EM算法思想

13.1.2　似然函数和极大似然估计

13.1.3　Jensen不等式

13.1.4　EM算法理论和公式推导

13.1.5　EM算法的收敛速度

13.1.6　EM算法的特点

13.2　EM算法的改进

13.2.1　Monte Carlo EM算法

13.2.2　ECM算法

13.2.3　ECME算法

13.3　EM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

14.1.1　PAM算法原理

14.1.2　PAM算法实例

14.1.3　PAM算法的特点

14.2　k中心点算法的改进

14.3　k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

15.2　Apriori算法原理

15.3　Apriori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

15.4　Apriori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

16.2　GMM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

16.2.3　GMM聚类实例

16.3　GMM的改进及MATLAB实践

16.3.1　GMM的正则化

16.3.2　GMM中k的选择问题

16.3.3　GMM拟合的初始值选择问题

参考文献

第17章　DBSCAJ算法

17.1　DBSCAN算法原理

17.1.1　DBSCAN算法的基本概念

17.1.2　DBSCAN算法原理

17.1.3　DBSCAN算法的实现步骤

17.1.4　DBSCAN算法的优缺点

17.2　DBSCAN算法的改进

17.2.1　DPDGA算法

17.2.2　并行DBSCAN算法

17.3　DBSCAN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

19.1　SARSA算法原理

19.2　SARSA算法的MATLAB实践

19.3　Q学习算法原理

19.4　Q学习算法的MATLAB实践

参考文献

彩插

附录CD