机器学习原理与实践 微课版

"1.本书力求以通俗简明的语言，从原理的角度，从无到有，讲清楚机器学习中的一些常见方法。 2.本书同时从实践的角度，循序渐进，引领读者独立编程实现这些机器学习方法。 3.本书在实验中使用了一系列与物联网相关的数据集，便于读者理解机器学习在物联网领域的应用。 4.本书的内容涵盖机器学习的三大范式：监督学习、无监督学习、强化学习。 5.本书有丰富的配套资源包括源代码和视频，扫码即可观看。"

陈喆 男，美国田纳西理工大学（Tennessee Tech University）博士。2003年硕士毕业后在UT斯达康、意法半导体等企业工作多年。2011年博士毕业后在东北大学物联网工程专业任副教授、硕士研究生导师。曾任东北大学物联网工程研究所副所长、无锡（滨湖）国家传感信息中心副主任（挂职），曾在美国北卡罗来纳州立大学（North Carolina State University）访学。主要研究方向包括物联网无线通信、机器学习、认知无线电等。讲授物联网技术、物联网通信技术、无线传感网络概论、无线传感网络实验、机器学习、创业基础、创新创业活动、High-Performance Embedded System Design等课程。曾多次被学生评选为“我最喜爱的老师”，所负责的课程多次被学生评选为“我最喜爱的专业课程”。作为独立作者编著的教材《物联网无线通信原理与实践》已出版（清华大学出版社）。

第1章 引言
1.1 机器学习简史
1.2 什么是机器学习
1.3 机器学习的应用
1.4 机器学习方法的实现
1.4.1 机器学习与Python
1.4.2 NumPy库
1.4.3 Matplotlib库
1.5 本章实验分析
1.6 本章小结
1.7 思考与练习
第2章 监督学习
2.1 线性回归
2.1.1 线性回归的数学模型
2.1.2 线性回归的训练过程
2.1.3 梯度下降法
2.1.4 线性回归的实现与性能评估
2.1.5 线性回归实践
2.1.6 特征缩放
2.1.7 多输出线性回归
2.2 逻辑回归
2.2.1 二分类与逻辑回归
2.2.2 逻辑回归的训练问题
2.2.3 逻辑回归的代价函数
2.2.4 分类任务的性能指标
2.2.5 逻辑回归实践
2.3 支持向量机
2.3.1 支持向量机及其训练问题
2.3.2 支持向量机训练问题初步求解
2.3.3 核技巧
2.3.4 软间隔支持向量机
2.3.5 支持向量机实践
2.3.6 过拟合与欠拟合
2.4 k近邻
2.4.1 k近邻分类
2.4.2 多分类任务的性能指标
2.5 朴素贝叶斯
2.5.1 朴素贝叶斯分类器
2.5.2 朴素贝叶斯分类器进阶
2.5.3 朴素贝叶斯实践
2.6 神经网络
2.6.1 多分类逻辑回归
2.6.2 多分类逻辑回归的训练
2.6.3 二分类神经网络
2.6.4 二分类神经网络的分类
2.6.5 二分类神经网络的训练
2.6.6 多分类神经网络
2.6.7 多分类神经网络的训练
2.7 本章实验分析
2.8 本章小结
2.9 思考与练习
第3章 无监督学习
3.1 k均值
3.1.1 k均值聚类
3.1.2 k值与轮廓系数
3.1.3 k均值实践
3.2 主成分分析
3.2.1 主成分分析降维
3.2.2 主成分分析实践
3.3 自编码器
3.3.1 什么是自编码器
3.3.2 自编码器的训练与降维
3.3.3 自编码器实践
3.4 本章实验分析
3.5 本章小结
3.6 思考与练习
第4章 强化学习
4.1 多老虎机问题
4.1.1 多老虎机问题及初步实践
4.1.2 ε贪婪方法
4.1.3 强化学习的要素
4.2 马尔可夫决策过程
4.2.1 什么是马尔可夫决策过程
4.2.2 收益与很优策略
4.2.3 贝尔曼很优性方程
4.2.4 求解贝尔曼很优性方程
4.2.5 马尔可夫决策过程实践
4.3 Q学习
4.3.1 什么是Q学习
4.3.2 Q学习实践
4.4 本章实验分析
4.5 本章小结
4.6 思考与练习
参考文献
附录A 实验参考程序及注释