機器學習

序言
第 一章 機器學習概述 1
1．1 機器學習簡介 1
1．1．1 機器學習簡史 1
1．1．2 機器學習主要流派 2
1．2 機器學習、人工智能和數(shù)據(jù)挖掘 4
1．2．1 什么是人工智能 4
1．2．2 機器學習、人工智能與數(shù)據(jù)挖掘 5
1．3 典型機器學習應用領域 5
1．4 機器學習算法 12
1．5 機器學習的一般流程 20
第 二章 機器學習基本方法 23
2．1 統(tǒng)計分析 23
2．1．1 統(tǒng)計基礎 23
2．1．2 常見概率分布 29
2．1．3 參數(shù)估計 31
2．1．4 假設檢驗 33
2．1．5 線性回歸 33
2．1．6 Logistics回歸 37
2．1．7 判別分析 38
2．1．8 非線性模型 39
2．2 高維數(shù)據(jù)降維 40
2．2．1 主成分分析 40
2．2．2 線性判別分析 43
2．2．3 局部線性嵌入 47
2．3 特征工程 48
2．3．1 特征構造 48
2．3．2 特征選擇 49
2．3．3 特征提取 50
2．4 模型訓練 50
2．4．1 模型訓練常見術語 50
2．4．2 訓練數(shù)據(jù)收集 51
2．5 可視化分析 52
2．5．1 可視化分析的作用 52
2．5．2 可視化分析方法 53
2．5．3 可視化分析常用工具 54
2．5．4 常見的可視化圖表 56
2．5．5 可視化分析面臨的挑戰(zhàn) 62
第三章 決策樹與分類算法 64
3．1 決策樹算法 64
3．1．1 分支處理 66
3．1．2 連續(xù)屬性離散化 72
3．1．3 過擬合問題 74
3．1．4 分類效果評價 78
3．2 集成學習 83
3．2．1 裝袋法 83
3．2．2 提升法 84
3．2．3 GBDT 86
3．2．4 隨機森林 87
3．3 決策樹應用 89
第四章 聚類分析 95
4．1 聚類分析概念 95
4．1．1 聚類方法分類 95
4．1．2 良好聚類算法的特征 97
4．2 聚類分析的度量 97
4．2．1 外部指標 98
4．2．2 內部指標 99
4．3 基于劃分的方法 101
4．3．1 k-均值算法 101
4．3．2 k-medoids算法 106
4．3．3 k-prototype算法 107
4．4 基于密度聚類 107
4．4．1 DBSCAN算法 108
4．4．2 OPTICS算法 110
4．4．3 DENCLUE算法 111
4．5 基于層次的聚類 116
4．5．1 BIRCH聚類 117
4．5．2 CURE算法 120
4．6 基于網(wǎng)格的聚類 122
4．7 基于模型的聚類 123
4．7．1 概率模型聚類 123
4．7．2 模糊聚類 129
4．7．3 Kohonen神經(jīng)網(wǎng)絡聚類 129
第五章 文本分析 137
5．1 文本分析介紹 137
5．2 文本特征提取及表示 138
5．2．1 TF-IDF 138
5．2．2 信息增益 139
5．2．3 互信息 139
5．2．4 卡方統(tǒng)計量 140
5．2．5 詞嵌入 141
5．2．6 語言模型 142
5．2．7 向量空間模型 144
5．3 知識圖譜 146
5．3．1 知識圖譜相關概念 147
5．3．2 知識圖譜的存儲 147
5．3．3 知識圖譜挖掘與計算 148
5．3．4 知識圖譜的構建過程 150
5．4 詞法分析 155
5．4．1 文本分詞 156
5．4．2 命名實體識別 159
5．4．3 詞義消歧 160
5．5 句法分析 161
5．6 語義分析 163
5．7 文本分析應用 164
5．7．1 文本分類 164
5．7．2 信息抽取 167
5．7．3 問答系統(tǒng) 168
5．7．4 情感分析 169
5．7．5 自動摘要 171
第六章 神經(jīng)網(wǎng)絡 173
6．1 神經(jīng)網(wǎng)絡介紹 173
6．1．1 前饋神經(jīng)網(wǎng)絡 173
6．1．2 反饋神經(jīng)網(wǎng)絡 176
6．1．3 自組織神經(jīng)網(wǎng)絡 179
6．2 神經(jīng)網(wǎng)絡相關概念 180
6．2．1 激活函數(shù) 180
6．2．2 損失函數(shù) 184
6．2．3 學習率 185
6．2．4 過擬合 188
6．2．5 模型訓練中的問題 189
6．2．6 神經(jīng)網(wǎng)絡效果評價 192
6．3 神經(jīng)網(wǎng)絡應用 192
第七章 貝葉斯網(wǎng)絡 197
7．1 貝葉斯理論概述 197
7．1．1 貝葉斯方法的基本觀點 197
7．1．2 貝葉斯網(wǎng)絡的應用 198
7．2 貝葉斯概率基礎 198
7．2．1 概率論 198
7．2．2 貝葉斯概率 199
7．3 樸素貝葉斯分類模型 200
7．4 貝葉斯網(wǎng)絡 203
7．5 貝葉斯網(wǎng)絡的應用 209
7．5．1 中文分詞 210
7．5．2 機器翻譯 210
7．5．3 故障診斷 211
7．5．4 疾病診斷 211
第八章 支持向量機 215
8．1 支持向量機模型 215
8．1．1 核函數(shù) 215
8．1．2 模型原理分析 216
8．2 支持向量機應用 219
第九章 進化計算 226
9．1 遺傳算法的基礎 226
9．1．1 基因重組（交叉）與基因突變 227
9．1．2 遺傳算法實現(xiàn)技術 228
9．1．3 遺傳算法案例 234
9．2 蟻群算法 237
9．2．1 蟻群算法應用案例 238
9．3 蜂群算法簡介 239
9．3．1 蜂群算法應用案例 241
第十章 分布式機器學習 245
10．1 分布式機器學習基礎 245
10．1．1 參數(shù)服務器 245
10．1．2 分布式并行計算類型 246
10．2 分布式機器學習框架 247
10．3 并行決策樹 254
10．4 并行k-均值算法 255
第十一章 深度學習 258
11．1 卷積神經(jīng)網(wǎng)絡 258
11．1．1 卷積神經(jīng)網(wǎng)絡的整體結構 259
11．1．2 常見卷積神經(jīng)網(wǎng)絡 262
11．2 循環(huán)神經(jīng)網(wǎng)絡 271
11．2．1 RNN基本原理 271
11．2．2 長短期記憶網(wǎng)絡 274
11．2．3 門限循環(huán)單元 277
11．3 深度學習流行框架 278
第十二章 高等級深度學習 281
12．1 高等級卷積神經(jīng)網(wǎng)絡 281
12．1．1 目標檢測與追蹤 281
12．1．2 目標分割 295
12．2 高等級循環(huán)神經(jīng)網(wǎng)絡應用 301
12．2．1 Encoder-Decoder模型 301
12．2．2 注意力模型 301
12．2．3 LSTM高等級應用 302
12．3 無監(jiān)督式深度學習 307
12．3．1 深度信念網(wǎng)絡 307
12．3．2 自動編碼器網(wǎng)絡 309
12．3．3 生成對抗網(wǎng)絡模型 312
12．4 強化學習 316
12．4．1 增強學習基礎 316
12．4．2 深度增強學習 318
12．5 遷移學習 321
12．6 對偶學習 324
第十三章 推薦系統(tǒng) 327
13．1 推薦系統(tǒng)介紹 327
13．1．1 推薦系統(tǒng)的應用場景 327
13．2 推薦系統(tǒng)通用模型 329
13．2．1 推薦系統(tǒng)結構 329
13．2．2 基于內容的推薦 330
13．2．3 基于協(xié)同過濾的推薦算法 331
13．2．4 基于圖的模型 334
13．2．5 基于關聯(lián)規(guī)則的推薦 335
13．2．6 基于知識的推薦 341
13．2．7 基于標簽的推薦 342
13．3 推薦系統(tǒng)評測 343
13．3．1 評測方法 343
13．3．2 評測指標 345
13．4 推薦系統(tǒng)常見問題 349
13．4．1 冷啟動問題 349
13．4．2 推薦系統(tǒng)注意事項 351
13．5 推薦系統(tǒng)實例 352
第十四章 實驗 364
14．1 華為FusionInsight產品平臺介紹 364
14．2 銀行定期存款業(yè)務預測 365
14．2．1 上傳銀行客戶及存貸款數(shù)據(jù) 366
14．2．2 準備存款業(yè)務分析工作區(qū) 367
14．2．3 創(chuàng)建數(shù)據(jù)挖掘流程 368
14．2．4 定期存款業(yè)務模型保存和應用 375
14．3 客戶分群 378
14．3．1 分析業(yè)務需求 379
14．3．2 上傳客戶信息數(shù)據(jù) 381
14．3．3 準備客戶分群工作區(qū) 382
14．3．4 創(chuàng)建數(shù)據(jù)挖掘流程 383
14．3．5 客戶分群模型保存和應用 392