机器学习应用案例与设计

机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识，主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识，也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外，还介绍了机器学习的热门应用领域技术，并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富，每章后都有习题和参考文献，便于巩固学习，适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。

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。

目录 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 / 1.4.8k-均值算法 / 1.4.9PCA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 / 2.5.6特征工程面临的挑战 / 习题 / 第3章决策树与分类算法 3.1决策树算法 / 3.1.1分支处理 / 3.1.2连续属性离散化 / 3.1.3过拟合问题 / 3.1.4分类效果评价 / 3.2集成学习 / 3.2.1装袋法 / 3.2.2提升法 / 3.2.3梯度提升决策树 / 3.2.4XGBoost算法 / 3.2.5随机森林 / 3.3决策树应用 / 习题 / 第4章聚类分析 4.1聚类分析概念 / 4.1.1聚类方法分类 / 4.1.2良好聚类算法的特征 / 4.2聚类分析的度量 / 4.2.1外部指标 / 4.2.2内部指标 / 4.3基于划分的聚类 / 4.3.1k-均值算法 / 4.3.2k-medoids算法 / 4.3.3k-prototype算法 / 4.4基于密度的聚类 / 4.4.1DBSCAN算法 / 4.4.2OPTICS算法 / 4.4.3DENCLUE算法 / 4.5基于层次的聚类 / 4.5.1BIRCH聚类 / 4.5.2CURE算法 / 4.6基于网格的聚类 / 4.6.1网格聚类的基本概念 / 4.6.2网格聚类的主要步骤 / 4.6.3基于网格的一些方法 / 4.6.4网格聚类算法的优缺点 / 4.7基于模型的聚类 / 4.7.1概率模型聚类 / 4.7.2模糊聚类 / 4.7.3Kohonen神经网络聚类 / 习题 / 第5章文本分析 5.1文本分析概述 / 5.2文本特征提取及表示 / 5.2.1TF-IDF / 5.2.2信息增益 / 5.2.3互信息 / 5.2.4卡方统计量 / 5.2.5词嵌入 / 5.2.6语言模型 / 5.2.7向量空间模型 / 5.3TF-IDF应用案例 / 5.3.1关键词自动提取 / 5.3.2找相似文章 / 5.3.3自动摘要 / 5.3.4文献检索 / 5.4词法分析 / 5.4.1文本分词 / 5.4.2命名实体识别 / 5.4.3词义消歧 / 5.5句法分析 / 5.6语义分析 / 5.7文本分析的应用 / 5.7.1文本分类 / 5.7.2信息抽取 / 5.7.3问答系统 / 5.7.4情感分析 / 5.7.5摘要生成 / 习题 / 第6章神经网络 6.1神经网络的工作方式和分类 / 6.1.1前馈神经网络 / 6.1.2反馈神经网络 / 6.1.3自组织神经网络 / 6.2神经网络的相关概念 / 6.2.1激活函数 / 6.2.2损失函数 / 6.2.3学习率 / 6.2.4过拟合与网络正则化 / 6.2.5预处理 / 6.2.6训练方式 / 6.2.7模型训练中的问题 / 6.2.8神经网络效果评价 / 6.3神经网络应用 / 习题 / 第7章贝叶斯网络 7.1贝叶斯理论概述 / 7.2贝叶斯概率基础 / 7.2.1概率论 / 7.2.2贝叶斯概率 / 7.3朴素贝叶斯分类模型 / 7.4贝叶斯网络推理 / 7.4.1贝叶斯网络 / 7.4.2贝叶斯网络的学习 / 7.4.3贝叶斯网络的推断 / 7.5贝叶斯网络的应用 / 7.5.1中文分词 / 7.5.2故障诊断 / 7.5.3疾病诊断 / 习题 / 第8章支持向量机 8.1线性可分支持向量机 / 8.1.1间隔与超平面 / 8.1.2支持向量机 / 8.1.3对偶问题求解 / 8.1.4软间隔 / 8.2非线性支持向量机 / 8.2.1非线性支持向量机原理 / 8.2.2常见核函数 / 8.3支持向量机的应用 / 习题 / 第9章联邦机器学习 9.1联邦机器学习基础 / 9.1.1参数服务器 / 9.1.2联邦并行计算类型 / 9.2联邦机器学习框架 / 9.3联邦决策树 / 9.4联邦k-均值算法 / 习题 / 第10章深度学习基础 10.1卷积神经网络 / 10.1.1卷积神经网络简介 / 10.1.2卷积神经网络的结构 / 10.1.3卷积神经网络的训练 / 10.1.4常见卷积神经网络 / 10.2循环神经网络 / 10.2.1RNN基本原理 / 10.2.2长短期记忆网络 / 10.2.3门限循环单元 / 10.2.4循环神经网络的其他改进 / 10.3深度学习流行框架 / 10.3.1Torch / 10.3.2TensorFlow / 10.3.3Caffe / 10.3.4Keras / 10.3.5MxNet / 10.3.6Deeplearning4j / 习题 / 第11章高级深度学习 11.1高级循环神经网络 / 11.1.1词嵌入 / 11.1.2自注意力模型 / 11.1.3多头注意力机制 / 11.1.4Transformer / 11.1.5BERT模型 / 11.2无监督式深度学习 / 11.2.1深度信念网络 / 11.2.2自动编码器网络 / 11.3生成对抗网络 / 11.3.1生成对抗网络基本原理 / 11.3.2常见的生成对抗网络 / 11.4迁移学习 / 习题 / 参考文献