机器学习原理及应用

1.内容丰富，每章提供思维导图，帮助读者学习理解。 2.以实例为引导，理论和实践相结合，由浅入深阐述算法原理，每种算法都配备了相应案例实践。 3.配套资源丰富，提供电子课件、习题答案、数据集、教学大纲、教学日历等资源。

机器学习是人工智能领域的重要组成部分，其深度和广度都在持续扩展。《机器学习原理及应用》不仅对机器学习基础知识进行了全面介绍，而且深入讨论了各种经典和常用的机器学习方法。通过理论与实践相结合的方式，帮助读者理解机器学习的基本原理，掌握常用的方法，并能够在实际问题中应用这些技术。《机器学习原理及应用》共10章，可分为两部分。第一部分主要介绍机器学习的背景知识，包括其定义、应用领域、发展历程等。这部分旨在为读者提供一个全面的视角，从而了解机器学习的概貌。第二部分则侧重于技术的讨论，包括各种经典和常用的机器学习方法的具体实现和应用。这部分的内容深入浅出，通过丰富的案例，帮助读者理解各种方法的应用场景和优劣势。此外，每章都提供了习题供读者巩固所学知识。 《机器学习原理及应用》不仅适合作为高等院校计算机、软件工程、自动化及相关专业的本科生或研究生教材，也适合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书。

前言 第1章绪论 11机器学习的定义 12机器学习的发展历史 13机器学习的分类 131监督学习 132无监督学习 133半监督学习 134强化学习 14基本术语与符号 141基本术语 142基本符号 15机器学习的过程 16将Python用于机器学习 161安装Python解释器 162安装PyCharm 163安装Anaconda 164用于科学计算、数据科学和 机器学习的软件包 17本章小结 18习题 第2章模型评估与调优 21概述 22评估方法 221留出法 222交叉验证法 223留一法交叉验证 224自助法 23优化 231用学习和验证曲线调试 算法 232通过网格搜索调优机器学习 模型 24性能度量 241错误率与准确率 242查准率、查全率与F1 243ROC与AUC 244多元分类评估指标 25本章小结 26习题 第3章回归分析 31引言 311回归分析概述 312回归分析的目标 313回归分析的步骤 32一元线性回归 321一元线性回归模型 322参数w和b的推导过程 323一元线性回归模型的代码 实现及应用 33多元线性回归 331多元线性回归模型和参数 求解 332多元线性回归模型的代码 实现及应用 34对率回归 341对率回归模型 342参数w和b的推导过程 343参数更新公式的推导 344对率回归模型的代码实现及 应用 35多项式回归 36正则化回归 361岭回归模型 362最小绝对收缩与选择 算子（LASSO回归） 363弹性网络 37回归模型的评价指标 38回归分析实践 381构建波士顿房价预测模型 382构建信用卡欺诈行为分类 模型 39本章小结 310习题 第4章决策树 41决策树概述 411决策树的概念 412决策树的优缺点 42决策树的划分准则 421信息增益 422增益率 423基尼指数 43决策树的建立 431决策树的归纳过程 432决策树实例分析 433决策树停止准则 434决策树剪枝 44多变量决策树 45集成方法 451随机森林 452梯度提升树 46回归树 461回归决策树 462回归加权平均树 463随机森林回归树 464梯度提升回归树 47决策树实践 471构建巴黎住房分类模型 472构建航班价格预测模型 48本章小结 49习题 第5章神经网络 51神经网络的发展历史 52神经元模型 521生物学的神经元模型 522M-P神经元模型 53激活函数 531Sigmoid激活函数 532tanh激活函数 533ReLU激活函数 534采用激活函数的原因 535激活函数的特点 54感知机模型 541感知机模型的结构 542感知机模型的原理 543感知机模型的实现 544感知机模型的优缺点 55多层前馈神经网络模型 551多层前馈神经网络的工作 原理 552多层前馈神经网络参数的 学习过程 553多层前馈神经网络算法的 实现 56训练方法 561梯度下降法 562随机梯度下降法 563小批量梯度下降法 57梯度消失和梯度爆炸 571产生原因 572解决方案 58神经网络实践：构建南瓜子 分类模型 581数据的简单分析 582利用感知机 583利用多层感知机 59本章小结 510习题 第6章支持向量机 61支持向量机概述 611线性分类 612最大间隔分类 62硬间隔支持向量机 621硬间隔支持向量机模型 622利用对偶问题求解 623硬间隔支持向量机求解 实例 63核支持向量机 631核函数 632核函数求解实例 64软间隔支持向量机 641松弛变量 642对偶问题 65感知机与SVM线性可分的 区别 66SVM的优缺点 67支持向量机实践：构建手机 价格分类模型 671数据的简单分析 672利用硬间隔支持向量机 673利用软间隔支持向量机 68本章小结 69习题 第7章贝叶斯分类器 71贝叶斯分类器概述 711贝叶斯定理 712贝叶斯定理的应用 713贝叶斯思想 72贝叶斯分类器的原理 721贝叶斯决策论 722极大似然估计 73朴素贝叶斯分类器 74半朴素贝叶斯分类器 741超父独依赖分类器 742平均独依赖估计 743树增广朴素贝叶斯 75贝叶斯网络 751贝叶斯网络的定义 752贝叶斯网络的结构特征 753贝叶斯网络的学习 754贝叶斯网络的推断 76贝叶斯分类器实践：构建 鸢尾花分类模型 761数据的简单分析 762利用朴素贝叶斯 763利用半朴素贝叶斯 764利用贝叶斯网络 77本章小结 78习题 第8章聚类分析 81聚类概述 811聚类的相关概念 812聚类与分类的区别 813聚类算法的分类 814相似性度量 815归一化处理 82基于划分的聚类算法 821K-Means算法 822K-Means++算法 823K-Medoid算法 824Kernel K-Means算法 825Mini-Batch K-Means 算法 826K-Means with Triangle Inequality算法 83基于层次的聚类算法 831层次聚类算法的基础 832Hierarchical K-Means 算法 833Agglomerative Clustering 算法 834BIRCH算法 84基于密度的聚类算法 841DBSCAN算法 842OPTICS算法 85谱聚类算法 851图划分思想 852相似度矩阵 853拉普拉斯矩阵 854谱聚类算法的步骤 86基于网格的聚类算法 87基于模型的聚类算法 88聚类评估 881估计聚类趋势 882确定簇数 883测定聚类质量 89聚类分析实践：对客户进行 细分 891数据预处理 892利用K-Means算法 893利用Agglomerative Clustering 算法 810本章小结 811习题 第9章降维技术 91降维的重要性 911维度爆炸 912降维的原因 92主成分分析算法 921向量投影和矩阵投影的 含义 922向量降维和矩阵降维 923PCA的优化目标 924PCA算法的原理 925PCA算法的步骤 926PCA的应用 927核主成分分析 93奇异值分解 931矩阵的特征分解 932SVD的定义 933SVD算法的步骤 934SVD的重要性质 94降维技术实践：对生物体的 基因进行降维 941数据的简单分析 942利用PCA进行降维 943利用SVD进行降维 95本章小结 96习题 第10章集成学习 101自助聚合算法 1011Bagging算法的思想 1012随机森林 102可提升算法 1021Boosting的基本概念 1022AdaBoost 1023Bagging与Boosting的 区别 1024梯度提升算法 103堆叠算法 104集成学习实践：构建红酒 分类模型 1041利用Bagging实现 1042利用Boosting实现 1043利用Stacking实现 105本章小结 106习题 参考文献