机器学习算法与应用

本书融合了Matlab、线性代数、优化理论和机器学习算法，并介绍了算法实现和机器学习综合应用、机器学习和深度学习的工程应用等。本书深入浅出，难度适中，具有系统性、完整性、可阅读性、应用性和前瞻性，是一本很好的机器学习教材和人工智能参考书。

"唐晨 博士，天津大学电气自动化与信息工程学院教授，国家自然科学基金和教育部学位论文评审专家。多年主讲本科生及研究生机器学习相关课程，在国内外重要学术期刊发表论文100余篇，主持或参与多项国家、省部级科研项目，以第一发明人获得授权专利10余项。主要研究方向：机器学习和深度学习方法研究及在图像处理、大数据和信息安全等领域中的应用等。 付树军 博士，山东大学数学学院科学计算与软件研究所教授，博士生导师，山东大学承势公共安全大数据研究中心主任。国家自然科学基金、国家教育部科研基金和科技奖励、山东省科技计划项目评审专家。中国图像图形学学会交通视频专委会副主任委员，山东省计算数学学会常务委员，山东省大数据研究会副秘书长。发表论文100余篇，主持或参与20余项省部级以上科研项目，申请专利14项。主要研究方向：图像处理和计算机视觉、医学图像分析、大数据计算等。 徐岩 博士，天津大学电气自动化与信息工程学院副教授。多年来一直从事机器学习、深度学习、模式识别、图像处理等领域的研究，主持或参与多项国家自然科学基金、天津市自然科学基金、企业合作等科研项目，以第一作者或通讯作者在SCI、EI、核心期刊发表学术论文40余篇，以第一发明人获得授权专利10余项。 "

第1章 绪论
1.1 机器学习的定义
1.2 机器学习的种类
1.3 机器学习的应用
1.4 网上公开的部分机器学习数据库
第一部分 机器学习中的数学基础
第2章 线性代数
2.1 标量、向量、矩阵和张量
2.2 矩阵的运算
2.3 特殊矩阵
2.4 线性空间、线性相关和线性变换
2.5 内积与范数
2.6 矩阵分解
2.7 Moore-Penrose伪逆
2.8 MATLAB函数和示例
第3章 概率统计与信息论
3.1 随机事件及其概率
3.2 随机变量及其概率分布
3.3 边缘概率与条件概率
3.4 独立性、全概率公式和贝叶斯公式
3.5 随机变量的数字特征
3.6 常用概率分布
3.7 数理统计基础
3.8 统计推断
3.9 信息论
3.10 MATLAB函数和示例
第4章 很优化方法
4.1 拉格朗日乘子法与KKT条件
4.2 梯度下降法和共轭梯度法
4.3 牛顿法和拟牛顿法
4.4 坐标下降法
4.5 启发式智能优化算法
4.6 基于MATLAB的优化求解
第5章 张量分析
5.1 基本概念与运算
5.2 张量的经典分解
5.3 张量奇异值分解
5.4 MATLAB函数与示例
第二部分 样本数据的处理
第6章 核（Kernel）方法
6.1 核函数引入
6.2 正定核函数
6.3 正定核函数的等价定义
6.4 常用的核函数及其MATLAB实现
第7章 主成分分析（PCA）与核主成分分析（KPCA）
7.1 算法定义
7.2 算法原理
7.3 KPCA
7.4 举例
第8章 线性判别分析（LDA）与核线性判别分析（KLDA）
8.1 算法定义
8.2 算法原理
8.3 LDA与PCA比较
8.4 应用举例
第三部分 监督学习
第9章 线性回归
9.1 线性回归模型
9.2 线性回归的原理
9.3 多元线性回归算法实现及应用
9.4 基于核的线性回归
第10章 逻辑回归
10.1 逻辑回归的背景
10.2 逻辑回归的原理
10.3 逻辑回归算法的实现
第11章 贝叶斯分类器
11.1 算法定义
11.2 算法原理
11.3 算法实现及应用举例
第12章 决策树
12.1 算法定义
12.2 算法原理
12.3 决策树模型评估
12.4 算法举例
第13章 随机森林
13.1 算法定义
13.2 算法原理
13.3 算法实现及应用
第14章 支持向量机（SVM）
14.1 算法定义
14.2 算法原理
14.3 应用举例
第15章 人工神经网络
15.1 神经元模型
15.2 感知机与多层网络
15.3 反向传播算法
15.4 神经网络的实现
15.5 卷积神经网络
15.6 经典深度神经网路
15.7 神经网络的应用
15.8 MATLAB函数与示例
……