人工智能算法大全：基于MATLAB

定　價：￥99.90

作　者：	李一邨著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111688013	出版時間：	2021-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	256	字數(shù)：

內容簡介

　　本書的編程語言以MATLAB為主，分別從學習方式和理論知識兩個方面來對機器學習（實現(xiàn)人工智能的方法）的算法進行分類介紹。通過閱讀本書，讀者可以對人工智能的子集——機器學習形成一個系統(tǒng)、全面、完整的認識，并且在今后的研究工作中逐步拓展，*終形成自己的體系。全書共6篇，分別為特征處理算法、分類和聚類算法、神經網絡算法、優(yōu)化算法、基于不同數(shù)學思想的算法以及集成算法，每一篇都對該類別中常見算法的思想、流程、核心知識和優(yōu)缺點等內容進行了詳細介紹，并通過實際的案例分析和代碼展示，對算法的具體應用進行了完整解析。本書適用的讀者對象包括金融機構的量化投資經理、科研工作者、互聯(lián)網企業(yè)的算法工程師、大中專院校相關專業(yè)師生，以及其他對實現(xiàn)人工智能的機器學習技術感興趣的讀者。

作者簡介

　　李一邨，浙江杭州人，浙江大學量化金融博士，現(xiàn)任杭州伊園科技有限公司總經理。前沿量化科學領域的深耕者，多年來致力于將多元學科的前沿理論嫁接融合到金融投資領域。被聘為杭州科促會數(shù)據科學家、杭州師范大學指導老師。曾連續(xù)5屆（第8~12屆）獲得《證券時報》和《期貨日報》聯(lián)合評選的“中國*佳金融量化策略工程師”。

圖書目錄

前言
第一篇特征處理算法

第1章ReliefF特征選擇算法
1.1原理介紹
1.1.1算法思想
1.1.2算法流程
1.1.3算法詳細介紹
1.2ReliefF特征選擇算法優(yōu)缺點
1.3實例分析
1.3.1數(shù)據集介紹
1.3.2函數(shù)介紹
1.3.3ReliefF算法在分類問題中的實例分析
1.3.4ReliefF算法在回歸問題中的實例分析
1.4房價回歸預測問題的特征選擇案例代碼

第2章Chi-Merge算法
2.1原理介紹
2.1.1算法思想
2.1.2算法流程
2.2Chi-Merge算法的優(yōu)缺點
2.3實例分析
2.3.1數(shù)據集介紹
2.3.2函數(shù)介紹
2.3.3結果分析
2.4代碼獲取

第3章特征規(guī)約算法
3.1特征規(guī)約算法原理介紹
3.1.1特征規(guī)約算法思想
3.1.2特征規(guī)約算法流程
3.1.3PCA算法及相關矩陣分解
3.2幾種特征規(guī)約算法的優(yōu)缺點
3.3特征規(guī)約算法實例分析
3.3.1數(shù)據集介紹
3.3.2函數(shù)介紹
3.3.3結果分析
3.4代碼獲取

第二篇分類和聚類算法

第4章KNN算法
4.1原理介紹
4.1.1算法思想
4.1.2算法流程
4.2KNN算法的核心知識
4.2.1距離或相似度的衡量
4.2.2K值的選取
4.2.3K個鄰近樣本的選取
4.3KNN算法的優(yōu)缺點
4.4實例分析
4.4.1數(shù)據集介紹
4.4.2函數(shù)介紹
4.4.3結果分析
4.5代碼獲取

第5章K-Means算法
5.1原理介紹
5.1.1算法思想
5.1.2算法流程
5.1.3K值的選取
5.2K-Means算法的優(yōu)點與缺點
5.2.1K-Means算法的優(yōu)點
5.2.2K-Means算法的缺點
5.3實例分析
5.3.1數(shù)據集介紹
5.3.2函數(shù)介紹
5.3.3K的選擇
5.3.4訓練結果分析
5.4代碼介紹
5.4.1K-Means訓練的函數(shù)代碼
5.4.2計算距離矩陣的函數(shù)代碼
5.4.3分析模型的代碼
5.5代碼獲取

第6章高斯混合聚類算法
6.1原理介紹
6.1.1算法思想
6.1.2算法流程
6.1.3EM算法理論與GMM參數(shù)推導
6.1.4EM聚類與K-Means聚類的對比
6.2高斯混合聚類算法的優(yōu)缺點
6.3實例分析
6.3.1數(shù)據集介紹
6.3.2函數(shù)介紹
6.3.3學習過程
6.3.4樣本聚類結果
6.4代碼獲取

第7章ISODATA算法
7.1.1算法思想
7.1.2算法流程
7.2ISODATA算法的優(yōu)缺點
7.3實例分析
7.3.1函數(shù)介紹
7.3.2數(shù)據介紹
7.3.3訓練結果
7.3.4其他參數(shù)下的聚類結果
7.4代碼介紹
7.4.1鳶尾花數(shù)據測試代碼
7.4.2代碼獲取

第8章譜聚類算法
8.1原理介紹
8.1.1算法思想
8.1.2譜聚類的切圖聚類
8.1.3算法流程
8.2聚類普算法的優(yōu)缺點
8.3實例分析
8.3.1數(shù)據集介紹
8.3.2函數(shù)介紹
8.3.3結果分析
8.3.4代碼獲取

第三篇神經網絡算法

第9章BP神經網絡與徑向基神經網絡算法
9.1原理介紹
9.1.1算法思想
9.1.2算法流程
9.1.3BP神經網絡與徑向基神經網絡結構說明
9.1.4誤差反向傳遞（含權值偏置調整）
9.1.5調整輸出層的權值偏置矩陣
9.1.6調整隱含層權值偏置矩陣
9.1.7徑向基神經網絡
9.2BP和徑向基神經網絡算法的優(yōu)缺點
9.2.1BP神經網絡和徑向基神經網絡的優(yōu)點
9.2.2BP神經網絡和徑向基神經網絡的缺點
9.3實例分析
9.3.1數(shù)據集介紹
9.3.2BP神經網絡使用
9.3.3徑向基神經網絡的應用
9.4代碼獲取

第10章Hopfield神經網絡算法
10.1原理介紹
10.1.1算法思想
10.1.2算法流程
10.1.3Hopfield神經網絡結構
10.1.4離散Hopfield網絡能量函數(shù)收斂性證明
10.2Hopfield神經網絡算法的優(yōu)點與缺點
10.3正交法權值計算
10.4正交法權值計算的吸引情況說明
10.5實例分析
10.6代碼獲取

第11章LSTM長短期記憶網絡算法
11.1原理介紹
11.1.1算法思想
11.1.2算法流程
11.2LSTM的數(shù)學推導和說明
11.2.1數(shù)據集符號申明
11.2.2訓練過程
11.3激活函數(shù)求導說明
11.4補充
11.5LSTM算法的優(yōu)點與缺點
11.6實例分析
11.6.1數(shù)據集介紹
11.6.2函數(shù)介紹
11.6.3結果分析
11.7代碼獲取

第四篇優(yōu) 化算法

第12章網格尋優(yōu)算法
12.1原理介紹
12.1.1算法思想
12.1.2算法流程
12.2網格尋優(yōu)算法的優(yōu)缺點
12.3實例分析
12.3.1函數(shù)介紹
12.3.2結果分析
12.4代碼獲取

第13章模擬退火聚類算法
13.1原理介紹
13.1.1算法思想
13.1.2算法流程
13.2模擬退火算法的優(yōu)缺點
13.3實例分析
13.3.1數(shù)據介紹
13.3.2函數(shù)介紹
13.3.3結果分析
13.4代碼介紹
13.4.1分析模型的代碼
13.4.2模擬退火結合K-Means算法的代碼獲取

第14章EMD經驗模態(tài)分解算法
14.1原理介紹
14.1.1算法思想
14.1.2算法流程
14.1.3經驗模態(tài)分解（EMD）的核心要點
14.1.4經驗模態(tài)分解的理論基礎
14.1.5包絡線擬合
14.1.6三次樣條插值的應用
14.1.7其他插值方法介紹
14.2EMD經驗模態(tài)分解算法的優(yōu)缺點
14.3實例分析
14.3.1數(shù)據集介紹
14.3.2函數(shù)介紹
14.3.3上證指數(shù)EMD分解
14.4代碼獲取

第五篇基于不同數(shù)學思想的算法

第15章粗糙集算法
15.1原理介紹
15.1.1算法思想
15.1.2算法流程
15.1.3基本概念
15.2粗糙集算法的優(yōu)缺點
15.3實例分析
15.3.1數(shù)據集介紹
15.3.2函數(shù)介紹
15.3.3訓練結果
15.3.4其他說明
15.4代碼介紹
15.4.1測試案例代碼
15.4.2粗糙集算法涉及的其他代碼獲取

第16章基于核的Fisher算法
16.1基于核的Fisher算法介紹
16.1.1算法思想
16.1.2基于核的Fisher算法數(shù)學推