機器學習入門到實戰(zhàn)：MATLAB實踐應用（大數(shù)據(jù)與人工智能技術叢書）

目錄

第一部分機器學習概念篇

●第1章機器學習基礎

1.1機器學習概述

1.1.1機器學習的概念

1.1.2機器學習的發(fā)展史

1.1.3機器學習的用途

1.1.4機器學習、數(shù)據(jù)挖掘及人工智能的關系

1.2機器學習基本術語

1.3機器學習任務及算法分類

1.4如何學習和運用機器學習

1.4.1軟件平臺的選擇

1.4.2機器學習應用實現(xiàn)流程

1.5數(shù)據(jù)預處理

1.5.1數(shù)據(jù)初步選取

1.5.2數(shù)據(jù)清理

1.5.3數(shù)據(jù)集成

1.5.4數(shù)據(jù)變換

1.5.5數(shù)據(jù)歸約

參考文獻

第二部分MATLAB機器學習基礎篇

●第2章MATLAB基礎入門

2.1MATLAB界面介紹

2.2矩陣賦值與運算

2.3m文件及函數(shù)實現(xiàn)與調(diào)用

2.4基本流程控制語句

2.5基本繪圖方法

2.5.1二維繪圖函數(shù)的基本用法

2.5.2三維繪圖函數(shù)的基本用法

2.5.3顏色與形狀參數(shù)列表

2.5.4圖形窗口分割與坐標軸

2.6數(shù)據(jù)文件導入與導出

參考文獻

●第3章MATLAB機器學習工具箱

3.1工具箱簡介

3.2分類學習器基本操作流程

3.3分類學習器算法優(yōu)化與選擇

3.3.1特征選擇

3.3.2選擇分類器算法

3.4工具箱分類學習實例

參考文獻

第三部分機器學習算法與MATLAB實踐篇

●第4章k近鄰算法

4.1k近鄰算法原理

4.1.1k近鄰算法實例解釋

4.1.2k近鄰算法的特點

4.2基于k近鄰算法的算法改進

4.2.1快速KNN算法

4.2.2kd樹KNN算法

4.3k近鄰算法的MATLAB實踐

參考文獻

●第5章決策樹

5.1決策樹算法原理

5.1.1決策樹算法基本原理

5.1.2決策樹算法的特點

5.1.3決策樹剪枝

5.1.4分類決策樹與回歸決策樹

5.2基于決策樹算法的算法改進

5.2.1ID3決策樹

5.2.2C4.5決策樹

5.2.3分類回歸樹

5.2.4隨機森林

5.3決策樹算法MATLAB實踐

參考文獻

●第6章支持向量機

6.1支持向量機算法原理

6.1.1支持向量機概述

6.1.2支持向量機算法及推導

6.1.3支持向量機核函數(shù)

6.2改進的支持向量機算法

6.3支持向量機算法的MATLAB實踐

參考文獻

●第7章樸素貝葉斯

7.1貝葉斯定理

7.2樸素貝葉斯分類

7.3樸素貝葉斯實例分析

7.4樸素貝葉斯分類算法的改進

7.4.1半樸素貝葉斯分類模型

7.4.2樹增強樸素貝葉斯分類模型

7.4.3貝葉斯網(wǎng)絡

7.4.4樸素貝葉斯樹

7.4.5屬性加權樸素貝葉斯分類算法

7.5樸素貝葉斯算法MATLAB實踐

參考文獻

●第8章線性回歸

8.1線性回歸原理

8.1.1簡單線性回歸

8.1.2線性回歸實例

8.2多元線性回歸

8.3線性回歸算法的MATLAB實踐

參考文獻

●第9章邏輯回歸

9.1邏輯回歸原理

9.1.1Sigmoid函數(shù)

9.1.2梯度下降法

9.2邏輯回歸理論推導

9.2.1邏輯回歸理論公式推導

9.2.2向量化

9.2.3邏輯回歸算法的實現(xiàn)步驟

9.2.4邏輯回歸的優(yōu)缺點

9.3邏輯回歸算法的改進

9.3.1邏輯回歸的正則化

9.3.2主成分改進的邏輯回歸方法

9.4邏輯回歸的MATLAB實踐

參考文獻

●第10章神經(jīng)網(wǎng)絡

10.1神經(jīng)網(wǎng)絡算法原理

10.1.1神經(jīng)網(wǎng)絡工作原理

10.1.2神經(jīng)網(wǎng)絡的特點

10.1.3人工神經(jīng)元模型

10.2前向神經(jīng)網(wǎng)絡

10.2.1感知器

10.2.2BP算法

10.3基于神經(jīng)網(wǎng)絡的算法拓展

10.3.1深度學習

10.3.2極限學習機

10.4神經(jīng)網(wǎng)絡的MATLAB實踐

參考文獻

●第11章AdaBoost算法

11.1集成學習方法簡介

11.1.1集成學習方法分類

11.1.2集成學習Boosting算法

11.2AdaBoost算法原理

11.2.1AdaBoost算法思想

11.2.2AdaBoost算法理論推導

11.2.3AdaBoost算法的實現(xiàn)步驟

11.2.4AdaBoost算法的特點

11.2.5通過實例理解AdaBoost算法

11.3AdaBoost算法的改進

11.3.1RealAdaBoost算法

11.3.2GentleAdaBoost算法

11.3.3LogitBoost算法

11.4AdaBoost算法的MATLAB實踐

參考文獻

●第12章k均值算法

12.1k均值算法原理

12.1.1k均值算法基本原理

12.1.2k均值算法的實現(xiàn)步驟

12.1.3k均值算法實例

12.1.4k均值算法的特點

12.2基于kmeans算法的算法改進

12.2.1改善k值選取方式的kmeans改進算法

12.2.2改進初始聚類中心選擇方式的kmeans改進算法

12.3kmeans算法的MATLAB實踐

參考文獻

●第13章期望最大化算法

13.1EM算法

13.1.1EM算法思想

13.1.2似然函數(shù)和極大似然估計

13.1.3Jensen不等式

13.1.4EM算法理論和公式推導

13.1.5EM算法的收斂速度

13.1.6EM算法的特點

13.2EM算法的改進

13.2.1Monte Carlo EM算法

13.2.2ECM算法

13.2.3ECME算法

13.3EM算法的MATLAB實踐

參考文獻

●第14章k中心點算法

14.1經(jīng)典k中心點算法——PAM算法

14.1.1PAM算法原理

14.1.2PAM算法實例

14.1.3PAM算法的特點

14.2k中心點算法的改進

14.3k中心點算法的MATLAB實踐

參考文獻

●第15章關聯(lián)規(guī)則挖掘的Apriori算法

15.1關聯(lián)規(guī)則概述

15.1.1關聯(lián)規(guī)則的基本概念

15.1.2關聯(lián)規(guī)則的分類

15.2Apriori算法原理

15.3Apriori算法的改進

15.3.1基于分片的并行方法

15.3.2基于hash的方法

15.3.3基于采樣的方法

15.3.4減少交易個數(shù)的方法

15.4Apriori算法的MATLAB實踐

參考文獻

●第16章高斯混合模型

16.1高斯混合模型原理

16.1.1單高斯模型

16.1.2高斯混合模型

16.1.3模型的建立

16.1.4模型參數(shù)的求解

16.2GMM算法的MATLAB實踐

16.2.1生成一個高斯混合模型

16.2.2擬合GMM

16.2.3GMM聚類實例

16.3GMM的改進及MATLAB實踐

16.3.1GMM的正則化

16.3.2GMM中k的選擇問題

16.3.3GMM擬合的初始值選擇問題

參考文獻

●第17章DBSCAN算法

17.1DBSCAN算法原理

17.1.1DBSCAN算法的基本概念

17.1.2DBSCAN算法原理

17.1.3DBSCAN算法的實現(xiàn)步驟

17.1.4DBSCAN算法的優(yōu)缺點

17.2DBSCAN算法的改進

17.2.1DPDGA算法

17.2.2并行DBSCAN算法

17.3DBSCAN算法的MATLAB實踐

參考文獻

●第18章策略迭代和值迭代

18.1基本概念

18.1.1強化學習的基本模型

18.1.2馬爾可夫決策過程

18.1.3策略

18.1.4值函數(shù)

18.1.5貝爾曼方程

18.2策略迭代算法原理

18.3值迭代算法原理

18.4策略迭代和值迭代算法的MATLAB實踐

參考文獻

●第19章SARSA算法和Q學習算法

19.1SARSA算法原理

19.2SARSA算法的MATLAB實踐

19.3Q學習算法原理

19.4Q學習算法的MATLAB實踐

參考文獻