图书目录
第 1 章 机器学习
1.1 机器学习的分类
1.1.1 用监督学习预测未来
1.1.2 用无监督学习发现隐藏结构
1.1.3 用强化学习解决交互问题
1.1.4 分类和回归术语
1.2 选择正确的算法
1.3 常用的机器学习算法
1.4 机器学习的应用领域
第 2 章 MATLAB软件
2.1 MATLAB 数据类型
2.1.1 矩阵
2.1.2 元胞数组
2.1.3 结构体
2.1.4 数据存储
2.1.5 tall 数组
2.1.6 稀疏矩阵
2.1.7 表与分类数组
2.1.8 大型 MAT文件
2.2 MATLAB作图
2.2.1 二维线图
2.2.2 通用二维图形
2.2.3 三维点或线图
2.2.4 通用三维图形
第 3 章 数学基础知识
3.1 矩阵的微分
3.1.1 标量与矩阵求导通用的法则
3.1.2 矩阵和向量求导的通用法则
3.1.3 MATLAB 的实现
3.2 向量和矩阵积分
3.2.1 向量梯度
3.2.2 微分公式
3.2.3 优化方法
3.2.4 拉格朗日乘子法
3.2.5 向量矩阵积分实现
3.3 特征值分解和奇异值分解
3.3.1 特征值分解
3.3.2 奇异值分解
3.4 最优化方法
3.4.1 无约束优化方法
3.4.2 约束优化与KKT 条件
3.4.3 二次规划
第 4 章 线性回归分析
4.1 线性回归模型
4.1.1 线性模型
4.1.2 损失函数
4.1.3 随机梯度下降法
4.1.4 线性回归简单实现
4.2 多元线性回归
4.3 广义线性模型
4.3.1 广义线性模型介绍
4.3.2 广义线性模型实现
4.4 多重共线性
4.4.1 什么是多重共线性
4.4.2 多重共性后果
4.4.3 多重共线性检验
4.4.4 多重共线性回归实现
4.5 其他线性回归
4.5.1 岭回归
4.5.2 Lasso 回归
4.5.3 弹性网络
4.5.4 逐步回归
第 5 章 逻辑回归分析
5.1 逻辑回归概述
5.2 模型表达式
5.3 损失函数
5.3.1 单个样本评估正确的概率
5.3.2 所有样本评估正确的概率
5.3.3 损失函数
5.4 模型求解
5.5 逻辑回归的应用
第 6 章 K- 均值聚类算法分析
6.1 K- 均值聚类算法概述
6.1.1 K- 均值聚类算法的思想
6.1.2 K- 均值聚类算法的三要素
6.1.3 K- 均值聚类算法的步骤
6.1.4 K- 均值聚类算法的优缺点
6.1.5 K- 均值聚类算法调优
6.2 K- 均值聚类算法实现
6.2.1 K- 均值聚类算法函数
6.2.2 K- 均值聚类基于颜色的分割
6.3 K- 均值聚类改进算法
6.3.1 K-means++ 算法
6.3.2 ISODATA 算法
第 7 章 决策树分析
7.1 决策树的简介
7.2 决策树的原理
7.2.1 信息熵
7.2.2 信息增益
7.2.3 信息增益率
7.2.4 基尼系数
7.3 3 种算法的对比
7.4 剪树处理
7.4.1 预剪枝
7.4.2 后剪枝
7.5 决策树的特点
7.6 分类树的函数
7.6.1 创建分类树
7.6.2 改进分类树
7.6.3 解释分类树
7.6.4 交叉验证分类树
7.6.5 测量性能
7.7 决策树的应用
第 8 章 主成分分析
8.1 降维方法
8.2 进行 PCA 的原因
8.3 PCA 数学原理
8.3.1 内积与投影
8.3.2 基
8.3.3 基变换的矩阵表示
8.4 PCA涉及的主要问题
8.5 PCA 的优化目标
8.6 PCA 的求解步骤
8.7 PCA 的优缺点与应用场景
8.7.1 PCA 方法的优点
8.7.2 PCA 方法的缺点
8.7.3 PCA 的应用场景
8.8 PCA 相关函数
8.9 偏最小二乘回归和主成分回归
第 9 章 支持向量机分析
9.1 线性分类
9.1.1 逻辑回归
9.1.2 逻辑回归表述SVM
9.1.3 线性分类简单实例
9.2 硬间隔
9.2.1 求解间隔
9.2.2 拉格朗日乘数法
9.2.3 对偶问题
9.2.4 软间隔
9.2.5 核（Kernel）函数
9.2.6 模型评估和超参数调优
9.3 支持向量机的相关函数
9.3.1 支持向量机回归函数
9.3.2 支持向量机分类函数
9.4 用于二类分类的支持向量机
9.4.1 用高斯核训练 SVM分类器
9.4.2 使用自定义核函数训练SVM分类器
9.4.3 绘制 SVM 分类模型的后验概率区域
9.4.4 使用线性支持向量机分析图像
第 10 章 朴素贝叶斯算法分析
10.1 贝叶斯公式
10.2 朴素贝叶斯算法的原理
10.3 朴素贝叶斯常用模型
10.3.1 伯努利朴素贝叶斯模型
10.3.2 多项式朴素贝叶斯
10.3.3 高斯朴素贝叶斯
10.4 拉普拉斯平滑
10.5 朴素贝叶斯算法的优缺点
10.6 朴素贝叶斯算法的创建函数
10.7 朴素贝叶斯算法的实现
10.7.1 逻辑回归模型的贝叶斯分析
10.7.2 判别分析、朴素贝叶斯分类器和决策树进行分类
第 11 章 随机森林算法分析
11.1 集成学习
11.2 集成学习的常见算法
11.2.1 Bagging 算法
11.2.2 Boosting 算法
11.2.3 Stacking 算法
11.3 随机森林算法
11.3.1 随机森林算法简介
11.3.2 随机森林算法原理
11.3.3 随机森林算法优缺点
11.3.4 随机森林算法功能
11.3.5 随机森林算法实现函数
11.3.6 随机森林算法的应用
第 12 章 神经网络分析
12.1 神经网络的概述
12.1.1 前馈神经网络
12.1.2 前馈神经网络的应用
12.2 卷积神经网络
12.2.1 用卷积代替全连接
12.2.2 卷积层
12.2.3 汇聚层
12.2.4 全连接层
12.2.5 典型的卷积神经网络结构
12.2.6 几种典型的卷积神经网络
12.2.7 卷积神经网络实现
12.3 循环神经网络
12.3.1 循环神经网络概述
12.3.2 循环神经网络的实现
购书链接
