內容大鋼
本書從具體的應用實例出發，由淺入深，力求系統全面而又簡明扼要地闡述機器學習的基本概念、理論、方法和演算法，並提供必要的數學推導和詳細演算法描述，便於讀者掌握機器學習方法的本質。本書主要介紹了線性回歸、邏輯回歸、決策樹、支持向量機、聚類等經典機器學習方法，並對卷積神經網路、循環神經網路和Transformer等深度學習方法進行了簡要介紹。本書結合編者多年從事人工智慧科研和教學的經驗，注重內容的實用性和先進性，並通過豐富的應用實例引導讀者動手實現演算法，使讀者能夠更好地理解理論知識，將其應用於實際場景中，培養讀者解決實際問題的能力。
本書適合作為普通高校人工智慧、電腦、自動化、電子信息、機器人等專業的教材，也可作為廣大從事人工智慧應用系統開發的工程技術人員的參考書。
目錄
前言
第1章 緒論
導讀
本章知識點
1.1 機器學習簡述
1.2 機器學習發展歷史
1.3 機器學習基本概念
1.3.1 機器學習術語
1.3.2 機器學習基本要素
1.3.3 過擬合與欠擬合
1.3.4 評估方法與性能度量
1.4 機器學習應用現狀
思考題與習題
參考文獻
第2章 機器學習的數學基礎
導讀
本章知識點
2.1 線性代數
2.1.1 線性空間
2.1.2 范數
2.1.3 矩陣
2.1.4 特徵值與特徵向量
2.1.5 奇異值分解
2.2 概率與資訊理論
2.2.1 隨機變數與概率分佈
2.2.2 期望、方差與協方差
2.2.3 常用概率分佈
2.2.4 熵、互信息、KL散度
2.3 最優化理論
2.3.1 多元函數
2.3.2 梯度下降法
2.3.3 拉格朗日對偶性
思考題與習題
參考文獻
第3章 回歸模型
導讀
本章知識點
3.1 引言
3.2 一元線性回歸
3.3 多元線性回歸
3.3.1 線性回歸模型
3.3.2 最小二乘法
3.3.3 梯度下降演算法
3.4 多項式回歸
3.5 正則化方法
3.6 邏輯回歸
3.6.1 邏輯回歸模型
3.6.2 交叉熵損失
3.7 應用案例
3.7.1 簡單的邏輯回歸
3.7.2 多元線性回歸
思考題與習題
參考文獻
第4章 決策樹
導讀
本章知識點
4.1 引言
4.2 決策樹學習演算法的基本框架
4.2.1 終止條件
4.2.2 基本框架
4.3 屬性選擇
4.3.1 數據集的熵
4.3.2 信息增益
4.3.3 信息增益率
4.4 屬性測試
4.5 剪枝處理
4.5.1 過擬合
4.5.2 預剪枝
4.6 應用案例
思考題與習題
參考文獻
第5章 支持向量機
導讀
本章知識點
5.1 引言
5.2 硬間隔線性支持向量機
5.2.1 基本問題
5.2.2 函數間隔與幾何間隔
5.2.3 最大間隔分類器
5.2.4 求解支持向量機的原始問題
5.2.5 支持向量機的對偶問題
5.3 軟間隔線性支持向量機
5.3.1 軟間隔在實際問題中的優化
5.3.2 合頁損失
5.4 核支持向量機
5.4.1 模型
5.4.2 常用的核函數
5.5 應用案例
思考題與習題
參考文獻
第6章 貝葉斯分類器
導讀
本章知識點
6.1 引言
6.2 貝葉斯決策論
6.3 極大似然估計
6.4 樸素貝葉斯分類器
6.5 應用案例
思考題與習題
參考文獻
第7章 聚類
導讀
本章知識點
7.1 引言
7.2 聚類基本原理
7.2.1 聚類任務描述
7.2.2 相似性度量
7.2.3 類間距離
7.3 聚類演算法
7.3.1 K-means聚類演算法
7.3.2 DBSCAN聚類演算法
7.3.3 層次聚類演算法
7.4 應用案例
思考題與習題
參考文獻
第8章 集成學習
導讀
本章知識點
8.1 引言
8.2 集成學習基本原理
8.2.1 集成學習的結構
8.2.2 集成學習理論分析
8.2.3 集成學習的類型
8.3 集成策略
8.3.1 平均法
8.3.2 投票法
8.3.3 學習法
8.4 集成學習主要演算法
8.4.1 Bagging方法
8.4.2 Boosting方法
8.4.3 Stacking方法
8.5 應用案例
思考題與習題
參考文獻
第9章 降維
導讀
本章知識點
9.1 引言
9.2 線性降維方法
9.2.1 主成分分析法
9.2.2 線性判別分析
9.2.3 多維尺度變換
9.3 非線性降維方法
9.3.1 等度量映射
9.3.2 局部線性嵌入
9.4 應用案例
思考題與習題
參考文獻
第10章 神經網路
導讀
本章知識點
10.1 前饋神經網路
10.1.1 神經網路基本概念
10.1.2 感知機和前饋神經網路
10.1.3 神經網路訓練
10.1.4 激活函數
10.2 卷積神經網路
10.2.1 卷積神經網路組成
10.2.2 卷積層
10.2.3 池化層
10.2.4 全連接層
10.2.5 應用案例
10.3 循環神經網路
&nb
[