機器學習教程（微課視頻版）

內容簡介

本書兼顧機器學習基礎、經典方法和深度學習方法,對組成機器學習的基礎知識和基本算法進行了比較細緻的介紹,對廣泛套用的經典算法如線性回歸、邏輯回歸、樸素貝葉斯、支持向量機、決策樹和集成學習等算法都給出了深入的分析並討論了無監督學習的基本方法,對深度學習和強化學習進行了全面的敘述,比較深入地討論了反向傳播算法、多層感知機、CNN、RNN 和 LSTM 等深度神經網路的核心知識和結構;對於強化學習,不僅介紹了經典表格方法,還討論了深度強化學習。本書是面向大學理工科和管理類各專業的寬口徑、綜合性機器學習的教材,可供本科生和一年級研究生課程使用,也可供科技人員、工程師和程式設計師自學機器學習的原理和算法使用。本書對基礎和前沿、經典方法和熱門技術進行了儘可能的平衡,使得讀者不僅能在機器學習領域打下一個良好的基礎,同時也可以利用所學知識解決遇到的實際問題並為進入學科前沿打好基礎。

圖書目錄

第一部分基礎知識和基本方法

第1章機器學習概述

微課視頻 185分鐘

1.1什麼是機器學習

1.2機器學習的類型

1.2.1基本分類

1.2.2監督學習及其功能分類

1.3構建機器學習系統的基本問題

1.3.1機器學習的基本元素

1.3.2機器學習的一些基本概念

1.4從簡單示例理解機器學習

1.4.1一個簡單的回歸示例

1.4.2一個簡單的分類示例

1.5深度學習簡介

1.6本章小結

習題

第2章統計與最佳化基礎

微課視頻 168分鐘

2.1機率論基礎

2.1.1離散隨機變數

2.1.2連續隨機變數

2.1.3隨機變數的統一表示

2.1.4隨機變數的基本特徵

2.1.5隨機特徵的蒙特卡洛逼近

2.2機率實例

2.2.1離散隨機變數示例

2.2.2高斯分布

2.2.3指數族

2.2.4混合高斯過程

2.2.5馬爾可夫過程

2.3最大似然估計

2.4貝葉斯估計

2.5貝葉斯決策

2.5.1機器學習中的決策

2.5.2分類的決策

2.5.3回歸的決策

2.6隨機變數的熵特徵

2.6.1熵的定義和基本性質

2.6.2KL散度

2.7非參數方法

2.8最佳化技術概述

2.9本章小結

習題

第3章基本回歸算法

微課視頻 85分鐘

3.1線性回歸

3.1.1基本線性回歸

3.1.2線性回歸的遞推學習

機器學習教程（微課視頻版）

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條