機器學習基礎(2018年清華大學出版社出版的圖書)

《機器學習基礎》是2018年11月清華大學出版社出版的圖書，作者是呂雲翔、馬連韜、劉卓然、張凡、張程博。

基本介紹

• 中文名：機器學習基礎
• 作者：呂雲翔、馬連韜、劉卓然、張凡、張程博
• 出版社：清華大學出版社
• 出版時間：2018年11月
• 定價：29.8 元
• ISBN：9787302496595

內容簡介

本書全面系統地介紹了機巴妹狼器學習的基本概念、預備知識、主要思想、研究進展、基礎技嘗放熱術、套用技巧，並圍繞當前機器學習領域的熱點問題展開討論。全書共11章，主要內容包括決策樹、神經網路、支持向量機、遺傳算法、回歸、紙戀肯記聚類分析等。

本書可作為高等院校計算機、軟體工程、智慧型科學與技術等專業研究生和高年級本科生的教材，同時對於從事人工智慧、數據挖掘、模式識別等相關技術人員也具有較高的參考價值。

圖書目錄

第1章緒論

1.1從兩個問題談起

1.2模型評估與模型參數選擇

1.2.1驗證

1.2.2正則化

1.3機器學習算法分類

1.3.1監督學習

1.3.2非監督學習

習題

第2章回歸

2.1線性回歸

2.2Logistic回歸

習題

第3章LDA主題模型

3.1LDA簡介

3.2數學基礎

3.2.1多項分布

3.2.2Dirichlet分布

3.2.3共軛先驗分布

3.3LDA主題模型

3.3.1基礎模型

3.3.2PLSA模型

3.3.3LDA模型

3.4LDA模型套用實例

3.4.1配置安裝

3.4.2文本預處理

3.4.3使用Gensim

習題

第4章決策樹

4.1決策樹簡介

4.1.1一個小例子

4.1.2幾個重要的術語及決策樹構造思路

4.2離散型決策樹的構造

4.3連續性數值的處理

4.4決策樹剪枝

習題

第5章支持向量機

5.1分離超平面與最大間隔

5.2線性支持向量機

5.2.1硬間隔

5.2.2軟間隔

5.3非線性支持向量機

5.3.1核方法

5.3.2常用的核函式

5.4操作實例： 套用MATLAB多分類SVM、二分類SVM、決策樹

算法進行分類

5.4.1數據集選擇

5.4.2數據預處理

5.4.3模型表現

5.4.4經驗總結

習題

第6章提升方法

6.1隨機森林

6.1.1隨機森林介紹

6.1.2Bootstrap Aggregation

6.1.3隨機森林訓練過程

6.1.4隨機森林的優點與缺點

6.2Adaboost

6.2.1引入

6.2.2Adaboost實現過程

6.2.3Adaboost總結

6.3隨機森林算法套用舉例

6.3.1MATLAB中隨機森林算法

6.3.2操作實例1： 基於集成方法的IRIS數據集分類

6.3.3操作實例2： 基於ensemble方法的人臉識別

習題

第7章神經網路基礎

7.1基礎概念

7.2感知機

7.2.1單層感知機

7.2.2多層感知機

7.3BP神經網路

7.3.1梯度下降

7.3.2後向傳播

7.4徑向基函式網路

7.4.1精確插值與徑向基函式

7.4.2徑向基函式網路

7.5Hopfield網路

7.5.1Hopfield網路的結構

7.5.2Hopfield網路的訓練

7.5.3Hopfield網路狀態轉移

7.6Boltzmann機

7.7自組織映射網路

7.7.1網路結構

7.7.2訓練算法

7.8實例： 使用MATLAB進行Batch Normalization

7.8.1淺識Batch Normalization

7.8.2MATLAB nntool使用簡介

習題

第8章深度神狼簽達項經網路

8.1什麼是深度神經網路

8.2卷積神經網路

8.2.1卷積神經網路的基嫌鞏本思想

8.2.2卷積操作

8.2.3池化層

8.2.4卷積神經網路

8.3循環神經網路洪試舉

8.3.1循環單元

8.3.2通過時間後向傳播

8.3.3帶有門限的循環單元

8.4MATLAB深度學習工具箱簡介

8.5利用Theano搭建和訓練神經網路

8.5.1Theano簡介

8.5.2Theano的基本使用

8.5.3搭建訓練神經網路的項目

習題

第9章聚類算法

9.1簡介

9.1.1聚類任務

9.1.2基本表示

9.2KMeans算法

9.2.1算法簡介

9.2.2算法流程

9.2.3KMeans的一些改進

9.2.4選擇合適的K

9.2.5XMeans

9.3層次聚類

9.4聚類算法拓展

9.4.1聚類在信號處理領域的套用

9.4.2以語義聚類的形式展示網路圖像搜尋結果

習題

第10章尋優算法之遺傳算法

10.1簡介

10.1.1算法起源

10.1.2基本過程

10.1.3基本表示

10.1.4輸入輸出

10.1.5優缺點及套用

10.2算法原型

10.2.1初始化

10.2.2評估

10.2.3選擇優秀個體

10.2.4交叉

10.2.5變異

10.2.6疊代

10.3算法拓展

10.3.1精英主義思想

10.3.2災變

習題

第11章項目實踐： 基於機器學習的監控視頻行人檢測與追蹤盼疊牛系統

11.1引言

11.2相關算法與指標

11.2.1方向梯度直方圖

11.2.2支持向量機

11.2.3結構相似性

11.2.4HaarLike特徵

11.2.5級聯分類器

11.2.6特徵臉

11.3系統設計與實現

11.3.1視頻處理模組

11.3.2圖像識別模組

11.3.3目標追蹤模組

11.4系統測試

11.4.1測試環境

11.4.2系統單元測試與集成測試

11.4.3性能測試

11.4.4系統識別準確率測試

11.5結語

參考文獻

6.1.4隨機森林的優點與缺點

6.2Adaboost

6.2.1引入

6.2.2Adaboost實現過程

6.2.3Adaboost總結

6.3隨機森林算法套用舉例

6.3.1MATLAB中隨機森林算法

6.3.2操作實例1： 基於集成方法的IRIS數據集分類

6.3.3操作實例2： 基於ensemble方法的人臉識別

習題

第7章神經網路基礎

7.1基礎概念

7.2感知機

7.2.1單層感知機

7.2.2多層感知機

7.3BP神經網路

7.3.1梯度下降

7.3.2後向傳播

7.4徑向基函式網路

7.4.1精確插值與徑向基函式

7.4.2徑向基函式網路

7.5Hopfield網路

7.5.1Hopfield網路的結構

7.5.2Hopfield網路的訓練

7.5.3Hopfield網路狀態轉移

7.6Boltzmann機

7.7自組織映射網路

7.7.1網路結構

7.7.2訓練算法

7.8實例： 使用MATLAB進行Batch Normalization

7.8.1淺識Batch Normalization

7.8.2MATLAB nntool使用簡介

習題

第8章深度神經網路

8.1什麼是深度神經網路

8.2卷積神經網路

8.2.1卷積神經網路的基本思想

8.2.2卷積操作

8.2.3池化層

8.2.4卷積神經網路

8.3循環神經網路

8.3.1循環單元

8.3.2通過時間後向傳播

8.3.3帶有門限的循環單元

8.4MATLAB深度學習工具箱簡介

8.5利用Theano搭建和訓練神經網路

8.5.1Theano簡介

8.5.2Theano的基本使用

8.5.3搭建訓練神經網路的項目

習題

第9章聚類算法

9.1簡介

9.1.1聚類任務

9.1.2基本表示

9.2KMeans算法

9.2.1算法簡介

9.2.2算法流程

9.2.3KMeans的一些改進

9.2.4選擇合適的K

9.2.5XMeans

9.3層次聚類

9.4聚類算法拓展

9.4.1聚類在信號處理領域的套用

9.4.2以語義聚類的形式展示網路圖像搜尋結果

習題

第10章尋優算法之遺傳算法

10.1簡介

10.1.1算法起源

10.1.2基本過程

10.1.3基本表示

10.1.4輸入輸出

10.1.5優缺點及套用

10.2算法原型

10.2.1初始化

10.2.2評估

10.2.3選擇優秀個體

10.2.4交叉

10.2.5變異

10.2.6疊代

10.3算法拓展

10.3.1精英主義思想

10.3.2災變

習題

第11章項目實踐： 基於機器學習的監控視頻行人檢測與追蹤系統

11.1引言

11.2相關算法與指標

11.2.1方向梯度直方圖

11.2.2支持向量機

11.2.3結構相似性

11.2.4HaarLike特徵

11.2.5級聯分類器

11.2.6特徵臉

11.3系統設計與實現

11.3.1視頻處理模組

11.3.2圖像識別模組

11.3.3目標追蹤模組

11.4系統測試

11.4.1測試環境

11.4.2系統單元測試與集成測試

11.4.3性能測試

11.4.4系統識別準確率測試

11.5結語

參考文獻