《機器學習基礎》劉勝藍/閆剛『EPUB電子書下載』

機器學習基礎 內容簡介

本書從機器學習在數據處理的角度入手來介紹機器學習的常用算法，按照"背景引入－方法介紹－案例－拓展知識點及文獻”的思路來組織內容。本書共14章，涵蓋了機器學習的常用算法。對於書中的每種機器學習算法，本書均給出了基本定義、典型應用，可方便讀者更加深入的理解每種機器學習算法。此外，本書還介紹了計算機視覺的應用為例，闡述了機器學習算法在圖像特征提取和卷積神經網絡中的應用。

機器學習基礎 作者簡介

機器學習基礎 目錄

第1章數據與機器學習 1
1.1數據 1
1.1.1　數據的來源 1
1.1.2　數據的類型 3
1.2機器學習的任務 4
1.3機器學習的場景 4
1.4數據預處理 5
1.4.1　歸一化 6
1.4.2　標準化 8
1.4.3　缺失值填充 8
1.5機器學習模型的評價指標 9
1.6本書的主要內容框架 10
1.7參考文獻 10
1.8習題 11
第2章數據可視化 12
2.1基本類型 13
2.1.1　餅狀圖 13
2.1.2　柱狀圖 14
2.1.3　南丁格爾玫瑰圖 16
2.1.4　折線圖 17
2.1.5　雷達圖 18
2.1.6　平行坐標圖 20
2.1.7　桑基圖 22
2.1.8　弦圖 23
2.1.9　散點圖 25
2.2基本構成元素和設計思路 26
2.3參考文獻 27
2.4習題 28
第3章圖像特征提取 29
3.1灰度圖像 30
3.1.1　圖像的數字表示 30
3.1.2　灰度圖像的數字表示 31
3.2LBP 33
3.3顏色特征提取 36
3.3.1　RGB顏色模型 37
3.3.2　HSV顏色模型 37
3.4HSV特征提取 39
3.5拓展知識點 42
3.6參考文獻 43
3.7習題 44
第4章數據分類——KNN分類 45
4.1分類 45
4.2KNN分類 46
4.3分類結果的評價指標 50
4.4拓展知識點 51
4.5參考文獻 53
4.6習題 53
第5章K-means聚類 54
5.1聚類問題的闡述 54
5.2K-means算法的基本原理 55
5.2.1　數據樣本之間的相似性度量 55
5.2.2　K-means算法的基本步驟 58
5.2.3　K-means算法的特點 63
5.3聚類結果的評價指標 65
5.3.1　聚類算法常見的內部評價指標 66
5.3.2　聚類算法常見的外部評價指標 68
5.4拓展知識點：K-means算法的應用 69
5.5參考文獻 69
5.6習題 70
第6章綜合應用案例——人機交互的數據可視化 71
6.1聚類與人機交互的數據可視化 71
6.2K-means聚類的交互數據可視化設計要點 75
6.3參考文獻 75
6.4習題 75
第7章線性回歸與正則化 76
7.1線性回歸的問題定義 76
7.2線性回歸的求解 78
7.2.1　損失函數 78
7.2.2　線性回歸的解 80
7.3正則化線性回歸 83
7.3.1　正則化的作用 83
7.3.2　L2正則化——嶺回歸 84
7.3.3　L1正則化——Lasso回歸 84
7.4R2度量——衡量回歸擬合效果的重要指標 85
7.4.1　R2度量的引出 85
7.4.2　線性回歸中的R2度量 86
7.5參考文獻 87
7.6習題 88
第8章邏輯回歸 89
8.1邏輯回歸模型 89
8.2多分類的Softmax回歸模型 96
8.3參考文獻 97
8.4習題 98
第9章線性降維——主成分分析 99
9.1特征選擇與特征提取 99
9.2度量視角的PCA 101
9.3信息視角的PCA 104
9.4概率統計視角的PCA 104
9.5參考文獻 108
9.6習題 109
第10章非線性降維及其應用 110
10.1局部線性嵌入 111
10.2拉普拉斯特征映射 118
10.3LE的相關應用 120
10.4降維方法的思維拓展 120
10.5參考文獻 121
10.6習題 121
第11章核函數及其應用 122
11.1線性可分與高維映射 122
11.2核函數 124
11.3核回歸 126
11.4核PCA 129
11.5拓展知識點 132
11.6參考文獻 133
11.7習題 133
第12章神經網絡基礎 134
12.1神經元模型 134
12.1.1　神經元 134
12.1.2　Rosenblatt感知機 139
12.1.3　異或問題 140
12.2神經網絡 143
12.2.1　遞歸神經網絡 144
12.2.2　前饋神經網絡 144
12.3參考文獻 153
12.4習題 153
第13章反向傳播神經網絡 155
13.1梯度下降法 156
13.2隨機梯度下降法 159
13.3反向傳播 160
13.4梯度消失 166
13.5參考文獻 167
13.6習題 168
第14章深度神經網絡 169
14.1“深度”的意義 169
14.2卷積神經網絡的基本操作 170
14.2.1　卷積 171
14.2.2　池化 172
14.2.3　激活 172
14.3經典卷積神經網絡 173
14.3.1　AlexNet 174
14.3.2　VGG 176
14.3.3　GoogLeNet 177
14.3.4　ResNet 177
14.3.5　SENet 178
14.4參考文獻 179
14.5習題 179
······