機器學習算法與應用（微課視頻版）

購買商店

---

機器學習算法與應用（微課視頻版）

$379.00

馬上購買

---

內容描述

---

本書內容涵蓋經典的有監督機器學習算法，無監督機器學習算法，深度機器學習算法，闡述從淺層學習到深度學習，從簡單的線性模型到復雜的神經網絡非線性模型的原理與應用。書中每個章節遵循先簡介理論基礎，再構建數學模型，然後輔以實例分析，從理論到實踐的講解原則。每個章節可獨立閱讀，也可從前向後，從簡到難，從淺層學習到深度學習，循序漸進學習。本書最大特色為機器學習算法的嵌入化應用，尤其對難於並行化的深度學習算法，詳細介紹了在ARM處理器和FPGA硬件平臺的實現步驟。

目錄大綱

---

配套資源下載

目錄

第1章機器學習簡介

1.1什麽是機器學習

1.2有監督學習

1.3無監督學習

1.4強化學習

1.5深度學習

1.6機器學習算法的應用趨勢

1.6.1機器學習算法在物聯網的應用

1.6.2機器學習算法在其他領域的應用

1.7安裝MATLAB或Octave

1.8Python語言和C/C++語言簡介

1.8.1Python語言簡介

1.8.2C/C++語言簡介

1.9習題

第2章線性回歸

2.1線性回歸模型

2.2代價函數

2.3梯度下降法

2.4線性回歸中的梯度下降

2.5特徵歸一化

2.6最小二乘正規方程

2.7線性回歸實例分析

2.7.1實例一： 一元線性回歸模型與代價函數理解

2.7.2實例二： 多元線性回歸模型與代價函數理解

2.8習題

第3章邏輯回歸

3.1邏輯回歸模型

3.2邏輯回歸的代價函數

3.3優化函數

3.4邏輯回歸解決分類問題

3.4.1實例一： 牛頓法實現邏輯回歸模型

3.4.2實例二： 邏輯回歸解決二分類問題

3.5正則化

3.6正則化後的線性回歸和邏輯回歸模型實例分析

3.6.1實例一： 最小二乘正規方程法優化正則化線性回歸模型

3.6.2實例二： 牛頓法優化正則化邏輯回歸模型

3.6.3參考解決方案

3.7習題

第4章樸素貝葉斯

4.1數學基礎

4.2樸素貝葉斯分類

4.3樸素貝葉斯分類實例分析

4.3.1實例一： 多項式樸素貝葉斯用於郵件分類

4.3.2實例二： 樸素貝葉斯解決多分類問題

4.4習題

第5章支持向量機

5.1支持向量機模型

5.2支持向量機代價函數

5.3支持向量機實例分析

5.3.1實例一： SVM 解決線性可分問題

5.3.2實例二： SVM解決郵件分類問題

5.3.3實例三： 核函數SVM解決線性不可分問題

5.4習題

第6章神經網絡

6.1神經網絡模型

6.2反向傳播算法

6.3神經網絡實例分析

6.3.1實例一： 神經網絡實現簡單分類問題

6.3.2實例二： 神經網絡解決預測問題

6.4習題

第7章K近鄰算法

7.1K近鄰算法原理

7.2K近鄰算法實例分析

7.2.1實例一： K近鄰算法解決二分類問題

7.2.2實例二： K近鄰算法解決多分類問題

7.3習題

第8章K均值算法

8.1K均值算法原理

8.2K均值算法實例分析

8.2.1實例一： K均值算法實現簡單聚類

8.2.2實例二： K均值算法解決病毒聚類問題

8.3習題

第9章高斯混合模型

9.1高斯混合模型原理

9.2最大期望算法

9.3高斯混合模型實例分析

9.3.1實例一： 高斯混合模型聚類原理分析

9.3.2實例二： 高斯混合模型實現鳶尾花數據聚類

9.4習題

第10章降維算法

10.1降維算法原理

10.2降維算法實例分析

10.2.1實例一： 線性判別分析(LDA)降維算法實現

10.2.2實例二： 主成分分析(PCA)降維算法實現

10.3線性判別分析與主成分分析對比

10.4習題

第11章隱馬爾可夫模型

11.1隱馬爾可夫模型定義

11.2隱馬爾可夫模型實例分析

11.2.1實例一： HMM實現簡單序列預測

11.2.2實例二： HMM 解決車流預測問題

11.3習題

第12章強化學習

12.1Qlearning強化學習算法原理

12.2Qlearning實例分析

12.2.1實例一： Qlearning解決走迷宮問題

12.2.2實例二： Qlearning解決小車爬坡問題

12.3習題

第13章決策樹

13.1決策樹構造原理

13.2決策樹實例分析

13.2.1實例一： 應用CART算法構造決策樹

13.2.2實例二： 決策樹算法擬合曲線

13.3習題

第14章啟發式優化算法

14.1遺傳算法原理

14.2優化算法對比實例分析

14.2.1實例一： 粒子群(PSO)算法

14.2.2實例二： 差分進化(DE)算法

14.2.3實例三： 人工蜂群(ABC)算法

14.2.4實例四： 對比粒子群、差分進化和人工蜂群算法

14.3習題

第15章深度學習

15.1捲積神經網絡

15.1.1捲積層

15.1.2池化層

15.1.3CNN模型

15.1.4實例一： CNN實現手寫數字識別

15.2循環神經網絡

15.2.1RNN網絡概述

15.2.2LSTM網絡

15.2.3實例一： RNN實現時序數據預測

15.2.4實例二： LSTM預測交通流量

15.3深度學習算法物聯網硬件加速

15.3.1FPGA硬件平臺簡介

15.3.2開發軟件環境簡介

15.3.3實例一： RNN時序數據預測物聯網平臺實現

15.4習題

第16章集成學習

16.1集成學習算法

16.1.1隨機森林算法

16.1.2Adaboost算法

16.2集成學習算法實例分析

16.2.1實例一： 集成學習Stacking實現

16.2.2實例二： 集成學習解決預測問題

16.3習題

第17章推薦系統

17.1推薦算法原理

17.2知識圖譜與推薦系統

17.2.1知識圖譜定義

17.2.2知識圖譜特徵學習

17.2.3知識圖譜用於推薦系統

17.3推薦系統實例分析

17.3.1實例一： 基於線性混合深度網絡的推薦系統實現

17.3.2實例二： 基於知識圖譜的多任務神經網絡智能推薦系統

17.4習題

附錄A專用符號和名詞解釋

附錄B機器學習資源列表

附錄C數學推導BPTT算法

參考文獻

---