机器学习及交通应用

Chapter 1 Introduction to Machine Learning

1.1 Definition of Machine Learning

1.2 History of Machine Learning

1.2.1 Artificial Intelligence, Machine Learning, and Deep Learning

1.2.2 Fields Related to Machine Learning

1.3 Workflow of Machine Learning

1.4 Types of Machine Learning Algorithms

1.4.1 Supervised Learning

1.4.2 Unsupervised Learning

1.4.3 Semi-supervised Learning

1.4.4 Reinforced Learning

1.5 Organization of the Textbook

1.6 Summary

Chapter 2 Feature Engineering

2.1 Data Normalization

2.1.1 Min-max Normalization

2.1.2 Standard Normalization

2.2 Data Discretization

2.2.1 Binning

2.2.2 Clustering Analysis

2.2.3 Entropy-based Discretization

2.2.4 Correlation Analysis

2.3 Feature Selection

2.3.1 Filter Feature Selection

2.3.2 Wrapper Feature Selection

2.3.3 Embedded Methods

2.4 Feature Extraction

2.4.1 Principal Components Analysis

2.4.2 Linear Discriminant Analysis

2.4.3 Autoencoder

2.5 Summary

Chapter 3 Instance-Based Learning

3.1 Overview of IBL

3.2 Components of KNN

3.2.1 Measure the Similarity between Instances

3.2.2 How to Choose K

3.2.3 Assign the Class Label

3.2.4 Time Complexity

3.3 Variants of KNN

3.3.1 Attribute Weighted KNN

3.3.2 Distance Weighted KNN

3.4 Strengths and Weaknesses of KNN

Chapter 4 Decision Tree Learning

4.1 Decision Tree Representation

4.1.1 Component of Decision Tree

4.1.2 How to use Decision Trees for Classification?

4.1.3 How to Generate Rules from Decision Trees?

4.1.4 Popular Algorithms to Generate Decision Trees

4.2 ID3 Algorithm

4.2.1 Select the best Attribute

4.2.2 Information Gain

4.2.3 Information Gain for Continuous-valued Attributes

4.2.4 Pseudoeode of ID3

4.3 C4.5 Algorithm

4.4 CART Algorithm

4.4.1 Gini Index

4.4.2 Binary Split Point for Muhivalued Attribute

4.4.3 Flowchart of Generating Tree

4.4.4 Develop Regression Trees by CART Algorithm

4.5 Overfitting and Tree pruning

4.5.1 Overfitting

4.5.2 Pruning Decision Trees

4.6 Pros and Cons of Decision Trees

……

Chapter 5 Support Vector Machines

Chapter 6 Neural Networks

Chapter 7 Ensemble Learning

Chapter 8 Outlier Mining

Chapter 9 Clustering

Chapter 10 Imbalanced Data Classification

Chapter 11 Model Evaluation

Chapter 12 Model Interpretation

Chapter 13 Application of Machine Learning in Transportation

Chapter 14 Course Projects

全书共分为14章：第1章Introduction to Machine Learning；第2章Feature Engineering；第3章Instance Based Learning edited；第4章Decision Tree Learning；第5章Support Vector Machines edited；第6章Neural Networks；第7章Ensemble learning；第8章OutlierMining；第9章Clustering；第10章Imbalanced Data Classification；第11章Model Evaluation；第12章Model Interpretation；第13章Application of Machine Learning in Transportation；第14章Course Projects。本书以交通数据为对象，以解决交通问题为目标，体现交通工程专业的特点。