機(jī)器學(xué)習(xí)及其應(yīng)用

前言
第1章機(jī)器學(xué)習(xí)概述
1.1機(jī)器學(xué)習(xí)基本概念
1.1.1人工智能與機(jī)器學(xué)習(xí)
1.1.2機(jī)器學(xué)習(xí)基本術(shù)語
1.1.3機(jī)器學(xué)習(xí)誤差分析
1.2機(jī)器學(xué)習(xí)發(fā)展歷程
1.2.1感知機(jī)與連接學(xué)習(xí)
1.2.2符號學(xué)習(xí)與統(tǒng)計(jì)學(xué)習(xí)
1.2.3連接學(xué)習(xí)的興起
1.3機(jī)器學(xué)習(xí)基本問題
1.3.1特征提取
1.3.2規(guī)則構(gòu)造
1.3.3模型評估
1.4習(xí)題
第2章模型估計(jì)與優(yōu)化
2.1模型參數(shù)估計(jì)
2.1.1zui小二乘估計(jì)
2.1.2zui大似然估計(jì)
2.1.3zui大后驗(yàn)估計(jì)
2.2模型優(yōu)化基本方法
2.2.1梯度下降法
2.2.2牛頓迭代法
2.3模型優(yōu)化概率方法
2.3.1隨機(jī)梯度法
2.3.2zui大期望法
2.3.3蒙特卡洛法
2.4模型正則化策略
2.4.1范數(shù)懲罰
2.4.2樣本增強(qiáng)
2.4.3對抗訓(xùn)練
2.5習(xí)題
第3章監(jiān)督學(xué)習(xí)
3.1線性模型
3.1.1模型結(jié)構(gòu)
3.1.2線性回歸
3.1.3線性分類
3.2決策樹模型
3.2.1模型結(jié)構(gòu)
3.2.2判別標(biāo)準(zhǔn)
3.2.3模型構(gòu)造
3.3貝葉斯模型
3.3.1貝葉斯方法
3.3.2貝葉斯分類
3.3.3貝葉斯回歸
3.4支持向量機(jī)
3.4.1線性可分性
3.4.2核函數(shù)技術(shù)
3.4.3結(jié)構(gòu)風(fēng)險(xiǎn)分析
3.5監(jiān)督學(xué)習(xí)應(yīng)用
3.5.1信用風(fēng)險(xiǎn)評估
3.5.2垃圾郵件檢測
3.5.3車牌定位與識別
3.6習(xí)題
第4章無監(jiān)督學(xué)習(xí)
4.1聚類分析
4.1.1劃分聚類法
4.1.2密度聚類法
4.2主分量分析
4.2.1基本PCA方法
4.2.2核PCA方法
4.3稀疏編碼與學(xué)習(xí)
4.3.1稀疏編碼概述
4.3.2稀疏表示學(xué)習(xí)
4.3.3數(shù)據(jù)字典學(xué)習(xí)
4.4無監(jiān)督學(xué)習(xí)應(yīng)用
4.4.1熱點(diǎn)話題發(fā)現(xiàn)
4.4.2自動人臉識別
4.5習(xí)題
第5章集成學(xué)習(xí)
5.1集成學(xué)習(xí)基本知識
5.1.1集成學(xué)習(xí)基本概念
5.1.2集成學(xué)習(xí)基本范式
5.1.3集成學(xué)習(xí)泛化策略
5.2Bagging集成學(xué)習(xí)
5.2.1Bagging集成策略
5.2.2隨機(jī)森林模型結(jié)構(gòu)
5.2.3隨機(jī)森林訓(xùn)練算法
5.3Boosting集成學(xué)習(xí)
5.3.1Boosting集成策略
5.3.2AdaBoost集成學(xué)習(xí)算法
5.3.3GBDT集成學(xué)習(xí)算法
5.4集成學(xué)習(xí)應(yīng)用
5.4.1房價(jià)預(yù)測分析
5.4.2自動人臉檢測
5.5習(xí)題
第6章強(qiáng)化學(xué)習(xí)
6.1強(qiáng)化學(xué)習(xí)概述
6.1.1強(qiáng)化學(xué)習(xí)基本知識
6.1.2馬爾可夫模型
6.1.3強(qiáng)化學(xué)習(xí)計(jì)算方式
6.2基本強(qiáng)化學(xué)習(xí)
6.2.1值迭代學(xué)習(xí)
6.2.2時(shí)序差分學(xué)習(xí)
6.2.3Q學(xué)習(xí)
6.3示范強(qiáng)化學(xué)習(xí)
6.3.1模仿強(qiáng)化學(xué)習(xí)
6.3.2逆向強(qiáng)化學(xué)習(xí)
6.4強(qiáng)化學(xué)習(xí)應(yīng)用
6.4.1自動爬山小車
6.4.2五子棋自動對弈
6.5習(xí)題
第7章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
7.1神經(jīng)網(wǎng)絡(luò)概述
7.1.1神經(jīng)元與感知機(jī)
7.1.2前饋網(wǎng)絡(luò)模型
7.1.3模型訓(xùn)練基本流程
7.2神經(jīng)網(wǎng)絡(luò)常用模型
7.2.1徑向基網(wǎng)絡(luò)
7.2.2自編碼器
7.2.3玻爾茲曼機(jī)
7.3深度學(xué)習(xí)基本知識
7.3.1淺層學(xué)習(xí)與深度學(xué)習(xí)
7.3.2深度堆棧網(wǎng)絡(luò)
7.3.3DBN模型及訓(xùn)練策略
7.4神經(jīng)網(wǎng)絡(luò)應(yīng)用
7.4.1光學(xué)字符識別
7.4.2自動以圖搜圖
7.5習(xí)題
第8章常用深度網(wǎng)絡(luò)模型
8.1深度卷積網(wǎng)絡(luò)
8.1.1卷積網(wǎng)絡(luò)概述
8.1.2基本網(wǎng)絡(luò)模型
8.1.3改進(jìn)網(wǎng)絡(luò)模型
8.2深度循環(huán)網(wǎng)絡(luò)
8.2.1動態(tài)系統(tǒng)展開
8.2.2網(wǎng)絡(luò)結(jié)構(gòu)與計(jì)算
8.2.3模型訓(xùn)練策略
8.3生成對抗網(wǎng)絡(luò)
8.3.1生成器與判別器
8.3.2網(wǎng)絡(luò)結(jié)構(gòu)與計(jì)算
8.3.3模型訓(xùn)練策略
8.4常用深度網(wǎng)絡(luò)應(yīng)用
8.4.1圖像目標(biāo)檢測
8.4.2自動文本摘要
8.5習(xí)題
第9章深度強(qiáng)化學(xué)習(xí)
9.1深度強(qiáng)化學(xué)習(xí)概述
9.1.1基本學(xué)習(xí)思想
9.1.2基本計(jì)算方式
9.1.3蒙特卡洛樹搜索
9.2基于價(jià)值的學(xué)習(xí)
9.2.1深度Q網(wǎng)絡(luò)
9.2.2深度雙Q網(wǎng)絡(luò)
9.2.3DQN模型改進(jìn)
9.3基于策略的學(xué)習(xí)
9.3.1策略梯度算法
9.3.2Actor-Critic算法
9.3.3DDPG學(xué)習(xí)算法
9.4深度強(qiáng)化學(xué)習(xí)應(yīng)用
9.4.1智能巡航小車
9.4.2圍棋自動對弈
9.5習(xí)題
參考文獻(xiàn)