机器学习基础电子书

内容简介

前言

第1章 数据与机器学习

1.1 数据

1.2 机器学习的任务

1.3 机器学习的场景

1.4 数据预处理

1.5 机器学习模型的评价指标

1.6 本书的主要内容框架

1.7 参考文献

1.8 习题

第2章 数据可视化

2.1 基本类型

2.2 基本构成元素和设计思路

2.3 参考文献

2.4 习题

第3章 图像特征提取

3.1 灰度图像

3.2 LBP

3.3 颜色特征提取

3.4 HSV特征提取

3.5 拓展知识点

3.6 参考文献

3.7 习题

第4章 数据分类——KNN分类

4.1 分类

4.2 KNN分类

4.3 分类结果的评价指标

4.4 拓展知识点

4.5 参考文献

4.6 习题

第5章 K-means聚类

5.1 聚类问题的阐述

5.2 K-means算法的基本原理

5.3 聚类结果的评价指标

5.4 拓展知识点：K-means算法的应用

5.5 参考文献

5.6 习题

第6章 综合应用案例——人机交互的数据可视化

6.1 聚类与人机交互的数据可视化

6.2 K-means聚类的交互数据可视化设计要点

6.3 参考文献

6.4 习题

第7章 线性回归与正则化

7.1 线性回归的问题定义

7.2 线性回归的求解

7.3 正则化线性回归

7.4 R2度量——衡量回归拟合效果的重要指标

7.5 参考文献

7.6 习题

第8章 逻辑回归

8.1 逻辑回归模型

8.2 多分类的Softmax回归模型

8.3 参考文献

8.4 习题

第9章 线性降维——主成分分析

9.1 特征选择与特征提取

9.2 度量视角的PCA

9.3 信息视角的PCA

9.4 概率统计视角的PCA

9.5 参考文献

9.6 习题

第10章 非线性降维及其应用

10.1 局部线性嵌入

10.2 拉普拉斯特征映射

10.3 LE的相关应用

10.4 降维方法的思维拓展

10.5 参考文献

10.6 习题

第11章 核函数及其应用

11.1 线性可分与高维映射

11.2 核函数

11.3 核回归

11.4 核PCA

11.5 拓展知识点

11.6 参考文献

11.7 习题

第12章 神经网络基础

12.1 神经元模型

12.2 神经网络

12.3 参考文献

12.4 习题

第13章 反向传播神经网络

13.1 梯度下降法

13.2 随机梯度下降法

13.3 反向传播

13.4 梯度消失

13.5 参考文献

13.6 习题

第14章 深度神经网络

14.1 “深度”的意义

14.2 卷积神经网络的基本操作

14.3 经典卷积神经网络

14.4 参考文献

14.5 习题