机器学习应用案例与设计(应用型高校产教融合系列教材)/大电类专业系列

本书在全面介绍人工智 能中的机器学习、数据降维 与特征工程以及文本分析等 基本知识的基础上，先后着 重介绍人工智能的决策树与 分类算法、聚类分析、神经 网络、贝叶斯网络、支持向 量机及联邦学习，以及机器 学习和深度学习的实现细节 ，并通过实际的应用来运用 和实践各种算法模型。 全书共分11章：第1章为 机器学习绪论，主要介绍机 器学习简史、人工智能与机 器学习的关系以及各种经典 的机器学习算法等；第2章 为数据部分内容，着重讨论 特征工程、模型训练、高维 数据降维等；第3～10章为 机器学习的具体模型算法内 容，重点介绍决策树、聚类 分析、文本分析、神经网络 等实现细节；第11章为高级 深度学习内容，着重为读者 提供高阶的人工智能知识。 全书提供了大量应用实例， 每章后均附有习题。 本书适合作为高等院校 计算机类相关专业和人工智 能专业高年级本科生、研究 生的教材，同时可供对机器 学习比较熟悉并且对人工智 能建模有所了解的开发人员 、广大科技工作者和研究人 员参考。

罗光圣，男，1982年 7月2日出生，博士、博士后，国家科技部2030重大专项课题组核心成员、国家自然科学基金核心成员，银行等金融核心系统开发工程师、医疗应用系统资深架构师、国内人工智能知名企业首席技术官。开展计算机应用研发工作15多年，长期从事计算机应用与方法的研究工作，在国内外发表高质量科研论文多篇，主持或参与国家和省部级项目多项，企业横向项目若干项，目前受理发明专利10项，已获授权发明专利2项，其中软件著作权十几项。

第1章 机器学习绪论 1.1 机器学习简介 1.1.1 机器学习简史 1.1.2 机器学习主要流派 1.2 人工智能与机器学习的关系 1.2.1 什么是人工智能 1.2.2 机器学习、人工智能的关系 1.3 典型机器学习应用领域 1.4 机器学习算法 1.4.1 线性回归 1.4.2 逻辑回归 1.4.3 决策树 1.4.4 支持向量机 1.4.5 线性支持向量机 1.4.6 非线性支持向量机 1.4.7 随机森林 1.4.8 k-均值算法 1.4.9 PCA算法 1.4.10 关联规则学习算法 1.5 机器学习的一般流程 习题 第2章 数据降维与特征工程 2.1 数据降维的基本概念 2.1.1 数据降维的目的 2.1.2 数据降维的一般原理 2.1.3 数据降维的本质 2.1.4 特征工程的基本概念 2.1.5 特征工程的目标 2.1.6 特征工程的本质 2.1.7 特征工程的特征选取方法 2.1.8 特征工程的基本原理 2.2 高维数据降维 2.2.1 主成分分析 2.2.2 奇异值分解 2.2.3 线性判别分析 2.2.4 局部线性嵌入 2.2.5 拉普拉斯特征映射 2.3 特征工程分析 2.3.1 特征构造 2.3.2 特征选择 2.3.3 特征提取 2.4 模型训练 2.4.1 模型训练常见术语 2.4.2 训练数据收集 2.5 数据降维与特征工程实践 2.5.1 数据降维应用场景 2.5.2 数据降维常用工具 2.5.3 特征工程的应用场景 2.5.4 特征工程的应用工具 2.5.5 数据降维面临的挑战