机器学习入门:数学原理解析及算法实践电子书

版权页

序言

前言

第一部分

第1章 专家系统

1.1 早期的专家系统

1.2 正向推理

1.3 逆向推理

1.4 谓词逻辑

1.5 专家系统的贡献和困难

1.6 动手实践

1.6.1 简化的专家系统

1.6.2 正向推理

1.6.3 逆向推理

参考文献

第2章 决策树

2.1 分类问题

2.2 构造决策树

2.3 ID3算法

2.4 信息熵

2.5 基尼不纯度

2.6 动手实践

2.6.1 计算信息熵

2.6.2 构造决策树

2.6.3 使用scikit­Iearn软件包

参考文献

第3章 神经元和感知机

3.1 生物神经元

3.2 早期感知机模型

3.3 现代的模型

3.4 学习模型参数

3.4.1 梯度下降法

3.4.2 DeIta法则

3.5 动手实践

3.5.1 实现感知机模型

3.5.2 识别手写数字

参考文献

第4章 线性回归

4.1 线性回归概述

4.2 最小二乘法

4.3 矩阵形式

4.4 一般性的回归问题

4.5 动手实践

4.5.1 实现一维线性回归

4.5.2 实现最小二乘法

4.5.3 使用numpy软件包

第5章 逻辑斯蒂回归和分类器

5.1 分类问题

5.2 最大似然估计

5.3 交叉熵损失函数

5.4 多类别分类

5.4.1 多类别逻辑斯蒂回归

5.4.2 归一化指数函数

5.4.3 交叉熵误差和均方误差的比较

5.5 分类器的决策边界

5.6 支持向量机

5.6.1 支持向量

5.6.2 拉格朗日乘子法

5.6.3 非线性分类与核函数

5.7 动手实践

5.7.1 使用逻辑斯蒂回归

5.7.2 观察分类边界

5.7.3 使用支持向量机

参考文献

第二部分

第6章 人工神经网络

6.1 异或问题和多层感知机

6.2 反向传播算法

6.3 深度神经网络

6.3.1 生物神经机制的启示

6.3.2 解决深度神经网络面临的问题

6.4 卷积和池化

6.4.1 神经连接的局部性

6.4.2 平移不变性

6.4.3 卷积处理图像的效果

6.4.4 简单细胞和复杂细胞的仿生学

6.5 循环神经网络

6.6 使用PyTorch软件包

6.7 动手实践

6.7.1 识别手写数字

6.7.2 准备训练数据

6.7.3 训练神经网络模型

6.8 物体检测

6.8.1 YOLO模型

6.8.2 YOLO模型的损失函数

6.8.3 缩微YOLO模型的网络结构

6.8.4 实现缩微YOLO模型

6.8.5 加载模型权值数据

6.8.6 处理真实图像

6.8.7 观察物体检测结果

参考文献

第7章 集成学习

7.1 随机森林

7.2 自适应增强算法AdaBoost

7.2.1 弱分类器的迭代组合

7.2.2 AdaBoost算法的正确性

7.3 梯度提升算法

7.3.1 回顾梯度下降法

7.3.2 梯度提升算法的一般描述

7.3.3 均方误差的梯度提升算法

7.4 偏差和方差

7.5 动手实践

7.5.1 使用pandas软件包处理数据

7.5.2 使用集成学习算法

参考文献

第8章 聚类分析

8.1 有监督学习和无监督学习

8.2 K均值聚类

8.3 距离的度量

8.4 期望最大化算法

8.5 高斯混合模型

8.6 DBSCAN算法

8.7 SOM神经网络

8.8 动手实践

8.8.1 实现K均值聚类算法

8.8.2 图像色彩聚类

8.8.3 使用scikit­Iearn软件包

参考文献

第9章 强化学习

9.1 马尔可夫决策过程

9.2 值函数

9.3 蒙特卡洛法

9.4 时间差分法

9.5 深度值网络DQN

9.6 动手实践

9.6.1 扫地机器人示例

9.6.2 描述机器人与环境的交互

9.6.3 实现值函数的神经网络模型

9.6.4 实现回放记忆

9.6.5 实现基于时间差分法的训练过程

9.6.6 扫地机器人对房间的探索过程

参考文献

第10章 自然语言处理

10.1 隐马尔可夫模型

10.2 维特比算法

10.3 词向量的表示方法

10.3.1 独热表示

10.3.2 词嵌入

10.3.3 统计语言模型

10.4 循环神经网络

10.4.1 长短期记忆和门控循环单元

10.4.2 编码器——解码器模型

10.4.3 注意力机制

10.5 动手实践

10.5.1 英文人名翻译

10.5.2 实现编码器和解码器

10.5.3 人名翻译实验结果

参考文献