機器學(xué)習(xí)算法與應(yīng)用（微課視頻版）

目錄

第1章機器學(xué)習(xí)簡介

1.1什么是機器學(xué)習(xí)

1.2有監(jiān)督學(xué)習(xí)

1.3無監(jiān)督學(xué)習(xí)

1.4強化學(xué)習(xí)

1.5深度學(xué)習(xí)

1.6機器學(xué)習(xí)算法的應(yīng)用趨勢

1.6.1機器學(xué)習(xí)算法在物聯(lián)網(wǎng)的應(yīng)用

1.6.2機器學(xué)習(xí)算法在其他領(lǐng)域的應(yīng)用

1.7安裝MATLAB或Octave

1.8Python語言和C/C++語言簡介

1.8.1Python語言簡介

1.8.2C/C++語言簡介

1.9習(xí)題

第2章線性回歸

2.1線性回歸模型

2.2代價函數(shù)

2.3梯度下降法

2.4線性回歸中的梯度下降

2.5特征歸一化

2.6最小二乘正規(guī)方程

2.7線性回歸實例分析

2.7.1實例一： 一元線性回歸模型與代價函數(shù)理解

2.7.2實例二： 多元線性回歸模型與代價函數(shù)理解

2.8習(xí)題

第3章邏輯回歸

3.1邏輯回歸模型

3.2邏輯回歸的代價函數(shù)

3.3優(yōu)化函數(shù)

3.4邏輯回歸解決分類問題

3.4.1實例一： 牛頓法實現(xiàn)邏輯回歸模型

3.4.2實例二： 邏輯回歸解決二分類問題

3.5正則化

3.6正則化后的線性回歸和邏輯回歸模型實例分析

3.6.1實例一： 最小二乘正規(guī)方程法優(yōu)化正則化線性回歸模型

3.6.2實例二： 牛頓法優(yōu)化正則化邏輯回歸模型

3.6.3參考解決方案

3.7習(xí)題

第4章樸素貝葉斯

4.1數(shù)學(xué)基礎(chǔ)

4.2樸素貝葉斯分類

4.3樸素貝葉斯分類實例分析

4.3.1實例一： 多項式樸素貝葉斯用于郵件分類

4.3.2實例二： 樸素貝葉斯解決多分類問題

4.4習(xí)題

第5章支持向量機

5.1支持向量機模型

5.2支持向量機代價函數(shù)

5.3支持向量機實例分析

5.3.1實例一： SVM 解決線性可分問題

5.3.2實例二： SVM解決郵件分類問題

5.3.3實例三： 核函數(shù)SVM解決線性不可分問題

5.4習(xí)題

第6章神經(jīng)網(wǎng)絡(luò)

6.1神經(jīng)網(wǎng)絡(luò)模型

6.2反向傳播算法

6.3神經(jīng)網(wǎng)絡(luò)實例分析

6.3.1實例一： 神經(jīng)網(wǎng)絡(luò)實現(xiàn)簡單分類問題

6.3.2實例二： 神經(jīng)網(wǎng)絡(luò)解決預(yù)測問題

6.4習(xí)題

第7章K近鄰算法

7.1K近鄰算法原理

7.2K近鄰算法實例分析

7.2.1實例一： K近鄰算法解決二分類問題

7.2.2實例二： K近鄰算法解決多分類問題

7.3習(xí)題

第8章K均值算法

8.1K均值算法原理

8.2K均值算法實例分析

8.2.1實例一： K均值算法實現(xiàn)簡單聚類

8.2.2實例二： K均值算法解決病毒聚類問題

8.3習(xí)題

第9章高斯混合模型

9.1高斯混合模型原理

9.2最大期望算法

9.3高斯混合模型實例分析

9.3.1實例一： 高斯混合模型聚類原理分析

9.3.2實例二： 高斯混合模型實現(xiàn)鳶尾花數(shù)據(jù)聚類

9.4習(xí)題

第10章降維算法

10.1降維算法原理

10.2降維算法實例分析

10.2.1實例一： 線性判別分析(LDA)降維算法實現(xiàn)

10.2.2實例二： 主成分分析(PCA)降維算法實現(xiàn)

10.3線性判別分析與主成分分析對比

10.4習(xí)題

第11章隱馬爾可夫模型

11.1隱馬爾可夫模型定義

11.2隱馬爾可夫模型實例分析

11.2.1實例一： HMM實現(xiàn)簡單序列預(yù)測

11.2.2實例二： HMM 解決車流預(yù)測問題

11.3習(xí)題

第12章強化學(xué)習(xí)

12.1Qlearning強化學(xué)習(xí)算法原理

12.2Qlearning實例分析

12.2.1實例一： Qlearning解決走迷宮問題

12.2.2實例二： Qlearning解決小車爬坡問題

12.3習(xí)題

第13章決策樹

13.1決策樹構(gòu)造原理

13.2決策樹實例分析

13.2.1實例一： 應(yīng)用CART算法構(gòu)造決策樹

13.2.2實例二： 決策樹算法擬合曲線

13.3習(xí)題

第14章啟發(fā)式優(yōu)化算法

14.1遺傳算法原理

14.2優(yōu)化算法對比實例分析

14.2.1實例一： 粒子群(PSO)算法

14.2.2實例二： 差分進化(DE)算法

14.2.3實例三： 人工蜂群(ABC)算法

14.2.4實例四： 對比粒子群、差分進化和人工蜂群算法

14.3習(xí)題

第15章深度學(xué)習(xí)

15.1卷積神經(jīng)網(wǎng)絡(luò)

15.1.1卷積層

15.1.2池化層

15.1.3CNN模型

15.1.4實例一： CNN實現(xiàn)手寫數(shù)字識別

15.2循環(huán)神經(jīng)網(wǎng)絡(luò)

15.2.1RNN網(wǎng)絡(luò)概述

15.2.2LSTM網(wǎng)絡(luò)

15.2.3實例一： RNN實現(xiàn)時序數(shù)據(jù)預(yù)測

15.2.4實例二： LSTM預(yù)測交通流量

15.3深度學(xué)習(xí)算法物聯(lián)網(wǎng)硬件加速

15.3.1FPGA硬件平臺簡介

15.3.2開發(fā)軟件環(huán)境簡介

15.3.3實例一： RNN時序數(shù)據(jù)預(yù)測物聯(lián)網(wǎng)平臺實現(xiàn)

15.4習(xí)題

第16章集成學(xué)習(xí)

16.1集成學(xué)習(xí)算法

16.1.1隨機森林算法

16.1.2Adaboost算法

16.2集成學(xué)習(xí)算法實例分析

16.2.1實例一： 集成學(xué)習(xí)Stacking實現(xiàn)

16.2.2實例二： 集成學(xué)習(xí)解決預(yù)測問題

16.3習(xí)題

第17章推薦系統(tǒng)

17.1推薦算法原理

17.2知識圖譜與推薦系統(tǒng)

17.2.1知識圖譜定義

17.2.2知識圖譜特征學(xué)習(xí)

17.2.3知識圖譜用于推薦系統(tǒng)

17.3推薦系統(tǒng)實例分析

17.3.1實例一： 基于線性混合深度網(wǎng)絡(luò)的推薦系統(tǒng)實現(xiàn)

17.3.2實例二： 基于知識圖譜的多任務(wù)神經(jīng)網(wǎng)絡(luò)智能推薦系統(tǒng)

17.4習(xí)題

附錄A專用符號和名詞解釋

附錄B機器學(xué)習(xí)資源列表

附錄C數(shù)學(xué)推導(dǎo)BPTT算法

參考文獻