机器学习与深度学习算法基础

　　本书从机器学习的概念与基本原理开始，介绍了机器学习及近年来流行的深度学习领域的经典模型。阅读本书可以让读者系统地了解机器学习和深度学习领域的基本知识，领会模型算法的思路与策略。 　　本书分为两篇，共18章。一篇为经典机器学习模型，主要介绍常用的机器学习经典模型，包括线性回归、支持向量机模型、逻辑斯蒂回归、决策树模型、k近邻、朴素贝叶斯、线性判别分析和主成分分析、流形学习、聚类算法、稀疏编码、直推式支持向量机、集成算法。第二篇为深度学习模型与方法，剖析神经网络的基本要素，并介绍常用的深度学习模型，包括感知机、卷积神经网络、循环神经网络、生成对抗网络。 　　本书试图从初学者的角度对机器学习和深度学习的经典算法进行详细阐述。本书插图丰富，语言通俗易懂，适合初入机器学习领域的“萌新”，也适合希望将机器学习算法应用到日常工作中的其他专业从业者，还可供对人工智能领域感兴趣的读者参考阅读。

　　贾壮，毕业于清华大学自动化系，专业为模式识别与智能系统方向。主要从事于机器学习与深度学习在图像处理以及地球物理领域内的相关应用研究，对机器学习相关算法有较深的理解。参与过多项机器学习相关工程项目，发表SCI期刊论文及会议论文数篇。曾获得国家奖学金、数学建模一等奖、优秀毕业生等奖项和荣誉称号。

第一篇 经典机器学习模型 第1章 引言：从线性回归说起 1.1 什么是机器学习 1.1.1 传统算法与机器学习算法 1.1.2 线性回归 1.2 过拟合与正则化 1.2.1 样本量与过拟合 1.2.2 正则化方法 1.3 岭回归和lasso回归 1.3.1 岭回归 1.3.2 lasso回归 1.3.3 l1正则化和l2正则化 1.4 本章小结与代码实现 1.5 本章话题：机器学习的一般原理 第2章 阴阳剖分：支持向量机模型 2.1 支持向量机模型的基本思路 2.1.1 支持向量机模型的基本思路 2.1.2 支持向量机算法的基本流程 2.2 数学形式与求解方法 2.2.1 数学知识补充 2.2.2 数学模型与理论推导 2.3 核方法与维度问题 2.3.1 核方法的含义 2.3.2 核函数SVM 2.4 软间隔支持向量机 2.4.1 软间隔的含义 2.4.2 软间隔SVM的损失函数 2.5 本章小结与代码实现 2.6 本章话题：高维度，是灾难还是契机？ 第3章 化直为曲：逻辑斯蒂回归 3.1 逻辑斯蒂回归的基本原理 3.1.1 分类问题与回归问题 3.1.2 逻辑斯蒂回归算法思路 3.2 逻辑斯蒂函数 3.2.1 逻辑斯蒂函数的由来 3.2.2 逻辑斯蒂函数的优势 3.3 逻辑斯蒂回归的数学原理 3.3.1 逻辑斯蒂回归的数学形式 3.3.2 准确率和召回率 3.4 参数确定的方法 3.4.1 似然函数简介 3.4.2 逻辑斯蒂回归的损失函数 3.5 多项逻辑斯蒂回归 3.5.1 多分类问题的逻辑斯蒂回归 3.5.2 softmax函数 3.6 本章小结与代码实现 3.7 本章话题：广义线性模型 第4章 层层拷问：决策树模型 4.1 模型思路与算法流程 4.1.1 决策树的思路——以读心术游戏为例