机器学习算法与应用（）

图书标准信息

• 作者 唐晨、付树军、徐岩 著
• 出版社 清华大学出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787302586142
• 定价 68.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 368页
• 字数 514.000千字
• 丛书 21世纪经济管理新形态教材·大数据与信息管理系列

【内容简介】

《机器学习算法与应用》主要内容包括机器学习中的相关数学基础（线性代数、概率统计与信息论、z优化方法和张量分析），样本数据的处理，机器学习的各种主流算法，基于MATLAB的机器学习算法的实现与机器学习综合应用，机器学习和深度学习的工程应用。本书特色是深入浅出，自成体系，注重基础理论的描述，具有系统性、完整性、可阅读性、应用性和前瞻性。本书可作为高等院校研究生和本科生机器学习相关课程的教材，还可作为与人工智能相关机构研究人员的参考书。

【作者简介】

唐晨  博士，天津大学电气自动化与信息工程学院教授，国家自然科学基金和教育部学位论文评审专家。多年主讲本科生及研究生机器学习相关课程，在国内外重要学术期刊发表论文100余篇，主持或参与多项国家、省部级科研项目，以第一发明人获得授权专利10余项。主要研究方向：机器学习和深度学习方法研究及在图像处理、大数据和信息安全等领域中的应用等。

 

付树军  博士，山东大学数学学院科学计算与软件研究所教授，博士生导师，山东大学承势公共安全大数据研究中心主任。国家自然科学基金、国家教育部科研基金和科技奖励、山东省科技计划项目评审专家。中国图像图形学学会交通视频专委会副主任委员，山东省计算数学学会常务委员，山东省大数据研究会副秘书长。发表论文100余篇，主持或参与20余项省部级以上科研项目，申请专利14项。主要研究方向：图像处理和计算机视觉、医学图像分析、大数据计算等。

 

徐岩  博士，天津大学电气自动化与信息工程学院副教授。多年来一直从事机器学习、深度学习、模式识别、图像处理等领域的研究，主持或参与多项国家自然科学基金、天津市自然科学基金、企业合作等科研项目，以第一作者或通讯作者在SCI、EI、核心期刊发表学术论文40余篇，以第一发明人获得授权专利10余项。

 

【目录】

 

目   录

 

 

第 1 章  绪论 1 

 

1.1  机器学习的定义 1 

 

1.2  机器学习的种类 1 

 

1.3  机器学习的应用 5 

 

1.4  网上公开的部分机器学习数据库 9 

 

第一部分 机器学习中的数学基础

 

第 2 章  线性代数 13 

 

2.1  标量、向量、矩阵和张量 13 

 

2.2  矩阵的运算 14 

 

2.3  特殊矩阵 16 

 

2.4  线性空间、线性相关和线性变换 16 

 

2.5  内积与范数 17 

 

2.6  矩阵分解 19 

 

2.7  Moore-Penrose 伪逆 20 

 

2.8  MATLAB 函数和示例 21 

 

第 3 章  概率统计与信息论 24 

 

3.1  随机事件及其概率 24 

 

3.2  随机变量及其概率分布 25 

 

3.3  边缘概率与条件概率 27 

 

3.4  独立性、全概率公式和贝叶斯公式 28 

 

3.5  随机变量的数字特征 29 

 

3.6  常用概率分布 30 

 

3.7  数理统计基础 33 

 

3.8  统计推断 35 

 

3.9  信息论 37 

 

3.10  MATLAB 函数和示例 38

 

第 4 章  最优化方法 41 

 

4.1  拉格朗日乘子法与 KKT 条件 41 

 

4.2  梯度下降法和共轭梯度法 45 

 

4.3  牛顿法和拟牛顿法 48 

 

4.4  坐标下降法 50 

 

4.5  启发式智能优化算法 51 

 

4.6  基于 MATLAB 的优化求解 54 

 

第 5 章  张量分析 57 

 

5.1  基本概念与运算 57 

 

5.2  张量的经典分解 60 

 

5.3  张量奇异值分解 64 

 

5.4  MATLAB 函数与示例 65 

 

第二部分 样本数据的处理

 

第 6 章  核（Kernel）方法 71 

 

6.1  核函数引入 71 

 

6.2  正定核函数 74 

 

6.3  正定核函数的等价定义 74 

 

6.4  常用的核函数及其 MATLAB 实现 76 

 

第 7 章  主成分分析（PCA）与核主成分分析（KPCA） 79 

 

7.1  算法定义 79 

 

7.2  算法原理 79 

 

7.3  KPCA 84 

 

7.4  举例 86 

 

第 8 章  线性判别分析（LDA）与核线性判别分析（KLDA） 101 

 

8.1  算法定义 101 

 

8.2  算法原理 101 

 

8.3  LDA 与 PCA 比较 109 

 

8.4  应用举例 109 

 

第三部分 监 督 学 习

 

第 9 章  线性回归 121 

 

9.1  线性回归模型 121 

 

9.2  线性回归的原理 123 

 

9.3  多元线性回归算法实现及应用 133 

 

9.4  基于核的线性回归 139 

 

第 10 章  逻辑回归 147 

 

10.1  逻辑回归的背景 147 

 

10.2  逻辑回归的原理 148 

 

10.3  逻辑回归算法的实现 152 

 

第 11 章  贝叶斯分类器 163 

 

11.1  算法定义 163 

 

11.2  算法原理 163 

 

11.3  算法实现及应用举例 164 

 

第 12 章  决策树 174 

 

12.1  算法定义 174 

 

12.2  算法原理 174 

 

12.3  决策树模型评估 178 

 

12.4  算法举例 179 

 

第 13 章  随机森林 194 

 

13.1  算法定义 194 

 

13.2  算法原理 195 

 

13.3  算法实现及应用 197 

 

第 14 章  支持向量机（SVM） 215 

 

14.1  算法定义 215 

 

14.2  算法原理 215 

 

14.3  应用举例 226 

 

第 15 章  人工神经网络 238 

 

15.1  神经元模型 238 

 

15.2  感知机与多层网络 239 

 

15.3  反向传播算法 241 

 

15.4  神经网络的实现 243 

 

15.5  卷积神经网络 244 

 

15.6  经典深度神经网路 246 

 

15.7  神经网络的应用 253 

 

15.8  MATLAB 函数与示例 255 

 

第四部分 无监督学习

 

第 16 章  k-means 聚类方法 259 

 

16.1  k-means 算法原理 260 

 

16.2  k-means 算法的优缺点 262 

 

16.3  聚类个数建议 265 

 

16.4  k-means 算法的实现及应用举例 266 

 

第 17 章  模糊 C 均值（FCM）聚类 271 

 

17.1  FCM 聚类算法原理 271 

 

17.2  FCM 算法实现及应用举例 274 

 

17.3  FCM 与 k-means 算法的比较 278 

 

第 18 章  改进的模糊 C 均值聚类 279 

 

18.1  PFCM 聚类算法 279 

 

18.2  KFCM 聚类算法 284 

 

18.3  SSFCM 聚类算法 288 

 

18.4  聚类算法的量化评估和图像分割的比较 293 

 

第五部分 应 用

 

第 19 章  机器学习算法的综合应用 303 

 

19.1  鸢尾属植物的分类与聚类 303 

 

19.2  基于 PCA 和 KPCA 预处理的乳腺细胞分类与聚类 308 

 

19.3  基于 LDA 和 KLDA 预处理的酒的分类与聚类 317 

 

第 20 章  机器学习和深度学习的工程应用 328 

 

20.1  基于 SVM 的天气雷达回波干扰图像的分类 328 

 

20.2  基于 FCM 的变密度光条纹图像的滤波 333 

 

20.3  基于 FCM 的光条纹图像的二值化 336 

 

20.4  基于 ANN 的全场相位的插值 338 

 

20.5  基于全卷积神经网络的多尺度视网膜图像血管分割 342 

 

20.6  基于卷积神经网络 ESPI 条纹图滤波 345 

 

20.7  基于 M-Net 分割网络的光条纹骨架线提取 348 

 

专业术语中英文对照表 353