万本电子书0元读

万本电子书0元读

顶部广告

机器学习入门到实战——MATLAB 实践应用电子书

《机器学习门与实战——MATLAB实践应用》的编写是作者在多年机器学习及工作经验的基础上,对大量的网络资源、论文和相关书籍行总结、整理、分析而来。全书共分为三部分,分别为机器学习概念篇、MATLAB机器学习基础篇、机器学习算法与MATLAB实践篇。

售       价:¥

纸质售价:¥44.50购买纸书

433人正在读 | 0人评论 6.2

作       者:冷雨泉 张会文 张伟

出  版  社:清华大学出版社

出版时间:2019-03-01

字       数:13.7万

所属分类: 科技 > 计算机/网络 > 软件系统

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书主要介绍经典的机器学习算法的原理及改,以及MATLAB的实例实现。本书内容分为三部分。*部分(第1章)是机器学习概念篇,介绍机器学习的相关概念,并且对机器学习的各类算法行分类,以便读者对机器学习的知识框架有一个整体的了解,从而在后续的学习中更容易受机器学习涉及的各类算法。第二部分(第2章、第3章)是MATLAB机器学习基础篇,介绍MATLAB的基本使用方法,以及MATLAB集成的机器学习工具箱。MATLAB易上手的特让使用者将更多的精力专注于算法发与使用,而不是搭建算法实现发平台。第三部分(第4章~第19章)是机器学习算法与MATLAB实践篇,对监督学习、无/非监督学习、强化学习三大类常用算法行逐个讲解,包括机器学习算法原理、算法优缺、算法的实例解释以及MATLAB的实践应用。 本书适合以下读者: 对人工智能、机器学习感兴趣的读者; 希望用机器学习完成设计的计算机或电子信息专业学生; 准备设机器学习、深度学习实践课的授课老师; 学习过C语言,且希望一步提升编程水平的发者; 刚从事机器学习、语音、机器视觉、智能机器人研发的算法工程师。<br/>【推荐语】<br/>《机器学习门与实战——MATLAB实践应用》的编写是作者在多年机器学习及工作经验的基础上,对大量的网络资源、论文和相关书籍行总结、整理、分析而来。全书共分为三部分,分别为机器学习概念篇、MATLAB机器学习基础篇、机器学习算法与MATLAB实践篇。<br/>
目录展开

封面页

书名页

版权页

内容简介

前言

第一部分 机器学习概念篇

第1章 机器学习基础

1.1 机器学习概述

1.1.1 机器学习的概念

1.1.2 机器学习的发展史

1.1.3 机器学习的用途

1.1.4 机器学习、数据挖掘及人工智能的关系

1.2 机器学习基本术语

1.3 机器学习任务及算法分类

1.4 如何学习和运用机器学习

1.4.1 软件平台的选择

1.4.2 机器学习应用实现流程

1.5 数据预处理

1.5.1 数据初步选取

1.5.2 数据清理

1.5.3 数据集成

1.5.4 数据变换

1.5.5 数据归约

参考文献

第二部分 MATLAB机器学习基础篇

第2章 MATLAB基础入门

2.1 MATLAB界面介绍

2.2 矩阵赋值与运算

2.3 m文件及函数实现与调用

2.4 基本流程控制语句

2.5 基本绘图方法

2.5.1 二维绘图函数的基本用法

2.5.2 三维绘图函数的基本用法

2.5.3 颜色与形状参数列表

2.5.4 图形窗口分割与坐标轴

2.6 数据文件导入与导出

参考文献

第3章 MATLAB机器学习工具箱

3.1 工具箱简介

3.2 分类学习器基本操作流程

3.3 分类学习器算法优化与选择

3.3.1 特征选择

3.3.2 选择分类器算法

3.4 工具箱分类学习实例

参考文献

第三部分 机器学习算法与MATLAB实践篇

第4章 k近邻算法

4.1 k近邻算法原理

4.1.1 k近邻算法实例解释

4.1.2 k近邻算法的特点

4.2 基于k近邻算法的算法改进

4.2.1 快速KNN算法

4.2.2 k-d树KNN算法

4.3 k近邻算法的MATLAB实践

参考文献

第5章 决策树

5.1 决策树算法原理

5.1.1 决策树算法基本原理

5.1.2 决策树算法的特点

5.1.3 决策树剪枝

5.1.4 分类决策树与回归决策树

5.2 基于决策树算法的算法改进

5.2.1 ID3决策树

5.2.2 C4.5决策树

5.2.3 分类回归树

5.2.4 随机森林

5.3 决策树算法MATLAB实践

参考文献

第6章 支持向量机

6.1 支持向量机算法原理

6.1.1 支持向量机概述

6.1.2 支持向量机算法及推导

6.1.3 支持向量机核函数

6.2 改进的支持向量机算法

6.3 支持向量机算法的MATLAB实践

参考文献

第7章 朴素贝叶斯

7.1 贝叶斯定理

7.2 朴素贝叶斯分类

7.3 朴素贝叶斯实例分析

7.4 朴素贝叶斯分类算法的改进

7.4.1 半朴素贝叶斯分类模型

7.4.2 树增强朴素贝叶斯分类模型

7.4.3 贝叶斯网络

7.4.4 朴素贝叶斯树

7.4.5 属性加权朴素贝叶斯分类算法

7.5 朴素贝叶斯算法MATLAB实践

参考文献

第8章 线性回归

8.1 线性回归原理

8.1.1 简单线性回归

8.1.2 线性回归实例

8.2 多元线性回归

8.3 线性回归算法的MATLAB实践

参考文献

第9章 逻辑回归

9.1 逻辑回归原理

9.1.1 Sigmoid函数

9.1.2 梯度下降法

9.2 逻辑回归理论推导

9.2.1 逻辑回归理论公式推导

9.2.2 向量化

9.2.3 逻辑回归算法的实现步骤

9.2.4 逻辑回归的优缺点

9.3 逻辑回归算法的改进

9.3.1 逻辑回归的正则化

9.3.2 主成分改进的逻辑回归方法

9.4 逻辑回归的MATLAB实践

参考文献

第10章 神经网络

10.1 神经网络算法原理

10.1.1 神经网络工作原理

10.1.2 神经网络的特点

10.1.3 人工神经元模型

10.2 前向神经网络

10.2.1 感知器

10.2.2 BP算法

10.3 基于神经网络的算法拓展

10.3.1 深度学习

10.3.2 极限学习机

10.4 神经网络的MATLAB实践

参考文献

第11章 AdaBoost算法

11.1 集成学习方法简介

11.1.1 集成学习方法分类

11.1.2 集成学习Boosting算法

11.2 AdaBoost算法原理

11.2.1 AdaBoost算法思想

11.2.2 AdaBoost算法理论推导

11.2.3 AdaBoost算法的实现步骤

11.2.4 AdaBoost算法的特点

11.2.5 通过实例理解AdaBoost算法

11.3 AdaBoost算法的改进

11.3.1 RealAdaBoost算法

11.3.2 GentleAdaBoost算法

11.3.3 LogitBoost算法

11.4 AdaBoost算法的MATLAB实践

参考文献

第12章 k均值算法

12.1 k均值算法原理

12.1.1 k均值算法基本原理

12.1.2 k均值算法的实现步骤

12.1.3 k均值算法实例

12.1.4 k均值算法的特点

12.2 基于k-means算法的算法改进

12.2.1 改善k值选取方式的k-means改进算法

12.2.2 改进初始聚类中心选择方式的k-means改进算法

12.3 k-means算法的MATLAB实践

参考文献

第13章 期望最大化算法

13.1 EM算法

13.1.1 EM算法思想

13.1.2 似然函数和极大似然估计

13.1.3 Jensen不等式

13.1.4 EM算法理论和公式推导

13.1.5 EM算法的收敛速度

13.1.6 EM算法的特点

13.2 EM算法的改进

13.2.1 Monte Carlo EM算法

13.2.2 ECM算法

13.2.3 ECME算法

13.3 EM算法的MATLAB实践

参考文献

第14章 k中心点算法

14.1 经典k中心点算法——PAM算法

14.1.1 PAM算法原理

14.1.2 PAM算法实例

14.1.3 PAM算法的特点

14.2 k中心点算法的改进

14.3 k中心点算法的MATLAB实践

参考文献

第15章 关联规则挖掘的Apriori算法

15.1 关联规则概述

15.1.1 关联规则的基本概念

15.1.2 关联规则的分类

15.2 Apriori算法原理

15.3 Apriori算法的改进

15.3.1 基于分片的并行方法

15.3.2 基于hash的方法

15.3.3 基于采样的方法

15.3.4 减少交易个数的方法

15.4 Apriori算法的MATLAB实践

参考文献

第16章 高斯混合模型

16.1 高斯混合模型原理

16.1.1 单高斯模型

16.1.2 高斯混合模型

16.1.3 模型的建立

16.1.4 模型参数的求解

16.2 GMM算法的MATLAB实践

16.2.1 生成一个高斯混合模型

16.2.2 拟合GMM

16.2.3 GMM聚类实例

16.3 GMM的改进及MATLAB实践

16.3.1 GMM的正则化

16.3.2 GMM中k的选择问题

16.3.3 GMM拟合的初始值选择问题

参考文献

第17章 DBSCAJ算法

17.1 DBSCAN算法原理

17.1.1 DBSCAN算法的基本概念

17.1.2 DBSCAN算法原理

17.1.3 DBSCAN算法的实现步骤

17.1.4 DBSCAN算法的优缺点

17.2 DBSCAN算法的改进

17.2.1 DPDGA算法

17.2.2 并行DBSCAN算法

17.3 DBSCAN算法的MATLAB实践

参考文献

第18章 策略迭代和值迭代

18.1 基本概念

18.1.1 强化学习的基本模型

18.1.2 马尔可夫决策过程

18.1.3 策略

18.1.4 值函数

18.1.5 贝尔曼方程

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实践

参考文献

第19章 SARSA算法和Q学习算法

19.1 SARSA算法原理

19.2 SARSA算法的MATLAB实践

19.3 Q学习算法原理

19.4 Q学习算法的MATLAB实践

参考文献

彩插

附录CD

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部