機器學習入門到實戰：MATLAB 實踐應用（簡體書）

本書主要介紹經典的機器學習算法的原理及改進，以及MATLAB的實例實現。本書內容分為三部分。第一部分(第1章)是機器學習概念篇，介紹機器學習的相關概念，並且對機器學習的各類算法進行分類，以便讀者對機器學習的知識框架有一個整體的瞭解，從而在後續的學習中更容易接受機器學習涉及的各類算法。第二部分(第2章、第3章)是MATLAB機器學習基礎篇，介紹MATLAB的基本使用方法，以及MATLAB集成的機器學習工具箱。MATLAB易上手的特點讓使用者將更多的精力專注于算法開發與使用，而不是搭建算法實現開發平臺。第三部分(第4章～第19章)是機器學習算法與MATLAB實踐篇，對監督學習、無/非監督學習、強化學習三大類常用算法進行逐個講解，包括機器學習算法原理、算法優缺點、算法的實例解釋以及MATLAB的實踐應用。本書適合以下讀者： 對人工智能、機器學習感興趣的讀者； 希望用機器學習完成設計的計算機或電子信息專業學生； 準備開設機器學習、深度學習實踐課的授課老師； 學習過C語言，且希望進一步提升編程水平的開發者； 剛從事機器學習、語音、機器視覺、智能機器人研發的算法工程師。

目錄

第一部分機器學習概念篇

第1章機器學習基礎

1.1機器學習概述

1.1.1機器學習的概念

1.1.2機器學習的發展史

1.1.3機器學習的用途

1.1.4機器學習、數據挖掘及人工智能的關係

1.2機器學習基本術語

1.3機器學習任務及算法分類

1.4如何學習和運用機器學習

1.4.1軟件平臺的選擇

1.4.2機器學習應用實現流程

1.5數據預處理

1.5.1數據初步選取

1.5.2數據清理

1.5.3數據集成

1.5.4數據變換

1.5.5數據歸約

參考文獻

第二部分MATLAB機器學習基礎篇

第2章MATLAB基礎入門

2.1MATLAB界面介紹

2.2矩陣賦值與運算

2.3m文件及函數實現與調用

2.4基本流程控制語句

2.5基本繪圖方法

2.5.1二維繪圖函數的基本用法

2.5.2三維繪圖函數的基本用法

2.5.3顏色與形狀參數列表

2.5.4圖形窗口分割與坐標軸

2.6數據文件導入與導出

參考文獻

第3章MATLAB機器學習工具箱

3.1工具箱簡介

3.2分類學習器基本操作流程

3.3分類學習器算法優化與選擇

3.3.1特徵選擇

3.3.2選擇分類器算法

3.4工具箱分類學習實例

參考文獻

第三部分機器學習算法與MATLAB實踐篇

第4章k近鄰算法

4.1k近鄰算法原理

4.1.1k近鄰算法實例解釋

4.1.2k近鄰算法的特點

4.2基於k近鄰算法的算法改進

4.2.1快速KNN算法

4.2.2kd樹KNN算法

4.3k近鄰算法的MATLAB實踐

參考文獻

第5章決策樹

5.1決策樹算法原理

5.1.1決策樹算法基本原理

5.1.2決策樹算法的特點

5.1.3決策樹剪枝

5.1.4分類決策樹與回歸決策樹

5.2基於決策樹算法的算法改進

5.2.1ID3決策樹

5.2.2C4.5決策樹

5.2.3分類回歸樹

5.2.4隨機森林

5.3決策樹算法MATLAB實踐

參考文獻

第6章支持向量機

6.1支持向量機算法原理

6.1.1支持向量機概述

6.1.2支持向量機算法及推導

6.1.3支持向量機核函數

6.2改進的支持向量機算法

6.3支持向量機算法的MATLAB實踐

參考文獻

第7章樸素貝葉斯

7.1貝葉斯定理

7.2樸素貝葉斯分類

7.3樸素貝葉斯實例分析

7.4樸素貝葉斯分類算法的改進

7.4.1半樸素貝葉斯分類模型

7.4.2樹增強樸素貝葉斯分類模型

7.4.3貝葉斯網絡

7.4.4樸素貝葉斯樹

7.4.5屬性加權樸素貝葉斯分類算法

7.5樸素貝葉斯算法MATLAB實踐

參考文獻

第8章線性回歸

8.1線性回歸原理

8.1.1簡單線性回歸

8.1.2線性回歸實例

8.2多元線性回歸

8.3線性回歸算法的MATLAB實踐

參考文獻

第9章邏輯回歸

9.1邏輯回歸原理

9.1.1Sigmoid函數

9.1.2梯度下降法

9.2邏輯回歸理論推導

9.2.1邏輯回歸理論公式推導

9.2.2向量化

9.2.3邏輯回歸算法的實現步驟

9.2.4邏輯回歸的優缺點

9.3邏輯回歸算法的改進

9.3.1邏輯回歸的正則化

9.3.2主成分改進的邏輯回歸方法

9.4邏輯回歸的MATLAB實踐

參考文獻

第10章神經網絡

10.1神經網絡算法原理

10.1.1神經網絡工作原理

10.1.2神經網絡的特點

10.1.3人工神經元模型

10.2前向神經網絡

10.2.1感知器

10.2.2BP算法

10.3基於神經網絡的算法拓展

10.3.1深度學習

10.3.2極限學習機

10.4神經網絡的MATLAB實踐

參考文獻

第11章AdaBoost算法

11.1集成學習方法簡介

11.1.1集成學習方法分類

11.1.2集成學習Boosting算法

11.2AdaBoost算法原理

11.2.1AdaBoost算法思想

11.2.2AdaBoost算法理論推導

11.2.3AdaBoost算法的實現步驟

11.2.4AdaBoost算法的特點

11.2.5通過實例理解AdaBoost算法

11.3AdaBoost算法的改進

11.3.1RealAdaBoost算法

11.3.2GentleAdaBoost算法

11.3.3LogitBoost算法

11.4AdaBoost算法的MATLAB實踐

參考文獻

第12章k均值算法

12.1k均值算法原理

12.1.1k均值算法基本原理

12.1.2k均值算法的實現步驟

12.1.3k均值算法實例

12.1.4k均值算法的特點

12.2基於kmeans算法的算法改進

12.2.1改善k值選取方式的kmeans改進算法

12.2.2改進初始聚類中心選擇方式的kmeans改進算法

12.3kmeans算法的MATLAB實踐

參考文獻

第13章期望最大化算法

13.1EM算法

13.1.1EM算法思想

13.1.2似然函數和極大似然估計

13.1.3Jensen不等式

13.1.4EM算法理論和公式推導

13.1.5EM算法的收斂速度

13.1.6EM算法的特點

13.2EM算法的改進

13.2.1Monte Carlo EM算法

13.2.2ECM算法

13.2.3ECME算法

13.3EM算法的MATLAB實踐

參考文獻

第14章k中心點算法

14.1經典k中心點算法――PAM算法

14.1.1PAM算法原理

14.1.2PAM算法實例

14.1.3PAM算法的特點

14.2k中心點算法的改進

14.3k中心點算法的MATLAB實踐

參考文獻

第15章關聯規則挖掘的Apriori算法

15.1關聯規則概述

15.1.1關聯規則的基本概念

15.1.2關聯規則的分類

15.2Apriori算法原理

15.3Apriori算法的改進

15.3.1基於分片的並行方法

15.3.2基於hash的方法

15.3.3基於採樣的方法

15.3.4減少交易個數的方法

15.4Apriori算法的MATLAB實踐

參考文獻

第16章高斯混合模型

16.1高斯混合模型原理

16.1.1單高斯模型

16.1.2高斯混合模型

16.1.3模型的建立

16.1.4模型參數的求解

16.2GMM算法的MATLAB實踐

16.2.1生成一個高斯混合模型

16.2.2擬合GMM

16.2.3GMM聚類實例

16.3GMM的改進及MATLAB實踐

16.3.1GMM的正則化

16.3.2GMM中k的選擇問題

16.3.3GMM擬合的初始值選擇問題

參考文獻

第17章DBSCAN算法

17.1DBSCAN算法原理

17.1.1DBSCAN算法的基本概念

17.1.2DBSCAN算法原理

17.1.3DBSCAN算法的實現步驟

17.1.4DBSCAN算法的優缺點

17.2DBSCAN算法的改進

17.2.1DPDGA算法

17.2.2並行DBSCAN算法

17.3DBSCAN算法的MATLAB實踐

參考文獻

第18章策略迭代和值迭代

18.1基本概念

18.1.1強化學習的基本模型

18.1.2馬爾可夫決策過程

18.1.3策略

18.1.4值函數

18.1.5貝爾曼方程

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實踐

參考文獻

第19章SARSA算法和Q學習算法

19.1SARSA算法原理

19.2SARSA算法的MATLAB實踐

19.3Q學習算法原理

19.4Q學習算法的MATLAB實踐

參考文獻