机器学习入门到实战——MATLAB实践应用（大数据与人工智能技术丛书）

图书标准信息

• 作者 冷雨泉、张会文、张伟 著
• 出版社 清华大学出版社
• 出版时间 2019-02
• 版次 1
• ISBN 9787302495147
• 定价 59.00元
• 装帧 平装
• 开本 16
• 纸张 胶版纸
• 页数 263页

【内容简介】

　　《哇！原来是这样！趣味儿童百科全书WHY》系列，以趣味性、实用性为主旨，多角度引领孩子认知科学、探索世界。该系列按照动物、太空、人体、生活、科学、恐龙、发明、植物、海洋、自然等十大门类分为10册，从中选取孩子感兴趣的问题，洞察孩子们的好奇心，满足他们的求知欲。

【目录】

部分机器学概念篇

●章机器学基础

1.1机器学概述

1.1.1机器学的概念

1.1.2机器学的发展史

1.1.3机器学的用途

1.1.4机器学、数据挖掘及人工智能的关系

1.2机器学基本术语

1.3机器学任务及算法分类

1.4如何学和运用机器学

1.4.1软件台的选择

1.4.2机器学应用实现流程

1.5数据预处理

1.5.1数据初步选取

1.5.2数据清理

1.5.3数据集成

1.5.4数据变换

1.5.5数据归约

参文献

第二部分matlab机器学基础篇

●第2章matlab基础入门

2.1matlab界面介绍

2.2矩阵赋值与运算

2.3m文件及函数实现与调用

2.4基本流程控制语句

2.5基本绘图方法

2.5.1二维绘图函数的基本用法

2.5.2三维绘图函数的基本用法

2.5.3与形状参数列表

2.5.4图形窗分割与坐标轴

2.6数据文件导入与导出

参文献

●第3章matlab机器学工具箱

3.1工具箱简介

3.2分类学器基本作流程

3.3分类学器算法优化与选择

3.3.1特征选择

3.3.2选择分类器算法

3.4工具箱分类学实例

参文献

第三部分机器学算法与matlab实践篇

●第4章k近邻算法

4.1k近邻算法

4.1.1k近邻算法实例解释

4.1.2k近邻算法的特点

4.2基于k近邻算法的算法改进

4.2.1快速knn算法

4.2.2kd树knn算法

4.3k近邻算法的matlab实践

参文献

●第5章决策树

5.1决策树算法

5.1.1决策树算法基本

5.1.2决策树算法的特点

5.1.3决策树剪枝

5.1.4分类决策树与回归决策树

5.2基于决策树算法的算法改进

5.2.1id3决策树

5.2.2c4.5决策树

5.2.3分类回归树

5.2.4森林

5.3决策树算法matlab实践

参文献

●第6章支持向量机

6.1支持向量机算法

6.1.1支持向量机概述

6.1.2支持向量机算法及推导

6.1.3支持向量机核函数

6.2改进的支持向量机算法

6.3支持向量机算法的matlab实践

参文献

●第7章朴素贝叶斯

7.1贝叶斯定理

7.2朴素贝叶斯分类

7.3朴素贝叶斯实例分析

7.4朴素贝叶斯分类算法的改进

7.4.1半朴素贝叶斯分类模型

7.4.2树增强朴素贝叶斯分类模型

7.4.3贝叶斯网络

7.4.4朴素贝叶斯树

7.4.5属加权朴素贝叶斯分类算法

7.5朴素贝叶斯算法matlab实践

参文献

●第8章线回归

8.1线回归

8.1.1简单线回归

8.1.2线回归实例

8.2多元线回归

8.3线回归算法的matlab实践

参文献

●第9章逻辑回归

9.1逻辑回归

9.1.1sigmoid函数

9.1.2梯度下降法

9.2逻辑回归理论推导

9.2.1逻辑回归理论公式推导

9.2.2向量化

9.2.3逻辑回归算法的实现步骤

9.2.4逻辑回归的优缺点

9.3逻辑回归算法的改进

9.3.1逻辑回归的正则化

9.3.2主成分改进的逻辑回归方法

9.4逻辑回归的matlab实践

参文献

●0章神经网络

10.1神经网络算法

10.1.1神经网络工作

10.1.2神经网络的特点

10.1.3人工神经元模型

10.2前向神经网络

10.2.1感知器

10.2.2bp算法

10.3基于神经网络的算法拓展

10.3.1深度学

10.3.2极限学机

10.4神经网络的matlab实践

参文献

●1章adaboost算法

11.1集成学方法简介

11.1.1集成学方法分类

11.1.2集成学boosting算法

11.2adaboost算法

11.2.1adaboost算法思想

11.2.2adaboost算法理论推导

11.2.3adaboost算法的实现步骤

11.2.4adaboost算法的特点

11.2.5通过实例理解adaboost算法

11.3adaboost算法的改进

11.3.1realadaboost算法

11.3.2gentleadaboost算法

11.3.3logitboost算法

11.4adaboost算法的matlab实践

参文献

●2章k均值算法

12.1k均值算法

12.1.1k均值算法基本

12.1.2k均值算法的实现步骤

12.1.3k均值算法实例

12.1.4k均值算法的特点

12.2基于kmeans算法的算法改进

12.2.1改善k值选取方式的kmeans改进算法

12.2.2改进初始聚类中心选择方式的kmeans改进算法

12.3kmeans算法的matlab实践

参文献

●3章期望优选化算法

13.1em算法

13.1.1em算法思想

13.1.2似然函数和极大似然估计

13.1.3jensen不等式

13.1.4em算法理论和公式推导

13.1.5em算法的收敛速度

13.1.6em算法的特点

13.2em算法的改进

13.2.1monte carlo em算法

13.2.2ecm算法

13.2.3ecme算法

13.3em算法的matlab实践

参文献

●4章k中心点算法

14.1经典k中心点算法——pam算法

14.1.1pam算法

14.1.2pam算法实例

14.1.3pam算法的特点

14.2k中心点算法的改进

14.3k中心点算法的matlab实践

参文献

●5章关联规则挖掘的apriori算法

15.1关联规则概述

15.1.1关联规则的基本概念

15.1.2关联规则的分类

15.2apriori算法

15.3apriori算法的改进

15.3.1基于分片的并行方法

15.3.2基于hash的方法

15.3.3基于采样的方法

15.3.4减少交易个数的方法

15.4apriori算法的matlab实践

参文献

●6章高斯混合模型

16.1高斯混合模型

16.1.1单高斯模型

16.1.2高斯混合模型

16.1.3模型的建立

16.1.4模型参数的求解

16.2gmm算法的matlab实践

16.2.1生成一个高斯混合模型

16.2.2拟合gmm

16.2.3gmm聚类实例

16.3gmm的改进及matlab实践

16.3.1gmm的正则化

16.3.2gmm中k的选择问题

16.3.3gmm拟合的初始值选择问题

参文献

●7章dbscan算法

17.1dbscan算法

17.1.1dbscan算法的基本概念

17.1.2dbscan算法

17.1.3dbscan算法的实现步骤

17.1.4dbscan算法的优缺点

17.2dbscan算法的改进

17.2.1dpdga算法

17.2.2并行dbscan算法

17.3dbscan算法的matlab实践

参文献

●8章策略迭代和值迭代

18.1基本概念

18.1.1强化学的基本模型

18.1.2马尔可夫决策过程

18.1.3策略

18.1.4值函数

18.1.5贝尔曼方程

18.2策略迭代算法

18.3值迭代算法

18.4策略迭代和值迭代算法的matlab实践

参文献

●9章sarsa算法和q学算法

19.1sarsa算法

19.2sarsa算法的matlab实践

19.3q学算法

19.4q学算法的matlab实践

参文献