机器学习方法及应用

图书标准信息

• 作者 袁景凌、贲可荣、魏娜 著
• 出版社 中国铁道出版社
• 出版时间 2020-05
• 版次 1
• ISBN 9787113268183
• 定价 48.00元
• 装帧 其他
• 开本 16开
• 页数 236页

【内容简介】

数据是载体，智能是目标，而机器学习则是从数据通往智能的技术途径。机器学习是数据科学的核心，是现代人工智能的本质。本书内容包括机器学习概述、决策树学习、多层感知器、维度约简、支持向量机、无监督学习、概率图模型、强化学习、深度学习。本书除介绍常用的机器学习方法外，还综述各主要方法的应用现状。通过各章案例的详细描述,读者可以系统地掌握机器学习方法。本书应用案例采用Python语言编写，并提供下载网址。

 

本书适合作为高等院校人工智能、数据科学与大数据、计算机科学与技术、软件工程等计算机类专业的本科生及研究生“机器学习”课程教材，也适合作为机器学习爱好者的参考读物。

 

【作者简介】

袁景凌：武汉理工大学教授，博士/博士生导师。中国计算机学会高级会员，湖北省计算机学会理事。获得湖北省自然科学二等奖，湖北省科技进步二等奖/三等奖，湖北省技术发明三等奖，湖北省教学成果一等奖。 
编写《智能方法及应用》、《离散数学》、《软件工程》等专著及教材。 
贲可荣：海军工程大学教授、博士生导师。主编《人工智能》入选普通高等教育“十二五”国家级规划教材。CCF理论计算机科学专委副主任、《计算机科学与探索》执行编委，《海军新军事变革丛书》编委会常务副主任。军队人工智能专家组成员，海军人工智能专业组副组长。评为教育部骨干教师、首届湖北省优秀研究生导师、海军名师工作室领衔名师、第三届大学教学名师，获军队院校育才奖金奖。

【目录】

目录 

第1章机器学习概述1 

1.1学习中的元素2 

1.2目标函数的表示4 

1.3机器学习系统的基本结构6 

1.4学习任务的类型7 

1.5机器学习的定义和发展史9 

1.6机器学习可完成的事11 

1.7机器学习的成功案例13 

习题16 

第2章决策树学习17 

2.1决策树的组成及分类17 

2.2决策树的构造算法CLS18 

2.3基本的决策树算法ID320 

2.4信息熵和信息增益及其案例21 

2.5随机森林及其应用案例24 

2.5.1随机森林概述24 

2.5.2随机森林应用案例27 

2.6决策树和随机森林应用概述29 

2.6.1决策树的应用概述29 

2.6.2随机森林的应用概述30 

小结32 

习题32 

第3章多层感知器34 

3.1神经元模型34 

3.2感知器及其学习规则35 

3.3多层感知器38 

3.4反向传播算法39 

目录3.5反向传播网络的应用概述45 

3.6案例：基于反向传播网络拟合曲线46 

小结52 

习题53 

第4章维度约简55 

4.1主成分分析55 

4.2独立成分分析58 

4.3线性判别分析59 

4.4局部线性嵌入62 

4.5维度约简算法应用概述65 

4.6案例分析66 

4.6.1利用PCA对半导体制造数据降维66 

4.6.2LDA降维――应用于Wine葡萄酒数据集67 

小结69 

习题69 

第5章支持向量机71 

5.1线性可分模式的最优超平面71 

5.2不可分离模式的最优超平面75 

5.3用于模式识别的支持向量机的潜在思想78 

5.4使用核方法的支持向量机78 

5.5支持向量机的设计80 

5.6支持向量机的应用概述81 

5.7支持向量机的示例83 

小结86 

习题87 

第6章无监督学习89 

6.1聚类概述89 

6.2Kmeans算法90 

6.3DBSCAN算法92 

6.4EM算法94 

6.5关联分析97 

6.6竞争网络99 

6.6.1Hamming网络100 

6.6.2竞争学习及案例101 

6.6.3自组织特征图104 

6.6.4学习向量量化107 

6.7无监督学习应用概述109 

6.8案例分析111 

6.8.1使用K-means算法对用户购物行为聚类和推荐111 

6.8.2使用DBSCAN清洗GPS轨迹数据111 

6.8.3高斯混合模型的EM聚类113 

6.8.4学习向量量化解决分类问题114 

小结116 

习题116 

第7章概率图模型118 

7.1贝叶斯网络118 

7.1.1贝叶斯基本公式119 

7.1.2朴素贝叶斯分类器120 

7.1.3贝叶斯网络的拓扑结构121 

7.1.4条件独立性假设121 

7.1.5先验概率的确定和网络推理算法122 

7.2马尔可夫随机场124 

7.2.1马尔可夫随机场概念125 

7.2.2马尔可夫随机场的因式分解126 

7.3隐马尔可夫模型128 

7.4马尔可夫链蒙特卡罗131 

7.4.1蒙特卡罗积分131 

7.4.2马尔可夫链132 

7.4.3马尔可夫链蒙特卡罗132 

7.5LDA主题提取模型136 

7.6概率图模型应用概述138 

7.7案例分析141 

7.7.1朴素贝叶斯进行垃圾邮件过滤141 

7.7.2前向后向算法求观测序列概率142 

7.7.3马尔可夫链蒙特卡罗方法预测睡眠质量144 

7.7.4利用LDA对文本进行主题提取148 

小结149 

习题150 

第8章强化学习151 

8.1强化学习过程151 

8.2马尔可夫决策过程152 

8.3Q-Learning156 

8.4强化学习应用概述159 

8.5案例分析161 

8.5.1使用马尔可夫决策过程求解最优策略162 

8.5.2寻宝游戏163 

小结164 

习题165 

第9章深度学习166 

9.1深度学习概述166 

9.2卷积神经网络169 

9.2.1卷积层169 

9.2.2池化层171 

9.2.3卷积神经网络结构172 

9.3循环神经网络172 

9.3.1给网络增加记忆能力173 

9.3.2简单循环网络174 

9.3.3应用到机器学习175 

9.3.4参数学习177 

9.3.5基于门控的循环神经网络179 

9.4深度信念网络181 

9.4.1玻尔兹曼机181 

9.4.2受限玻尔兹曼机182 

9.4.3深度信念网络183 

9.5深度生成模型185 

9.5.1概率生成模型185 

9.5.2变分自编码器186 

9.5.3生成对抗网络188 

9.5.4生成对抗网络的应用190 

9.6深度学习应用概述193 

9.6.1文本194 

9.6.2语音195 

9.6.3计算机视觉196 

9.7机器学习系统199 

9.7.1主流机器学习系统的分类与介绍200 

9.7.2主流深度学习框架系统介绍201 

9.7.3新兴机器学习系统203 

9.8案例：深度学习在计算机视觉中的应用204 

小结210 

习题210 

附录机器学习工具及资源推荐212 

参考文献217