機器學習及其應用

目 錄
前言
第1章機器學概述
1.1機器學基本概念
1.1.1人工智能與機器學
1.1.2機器學基本術語
1.1.3機器學誤差分析
1.2機器學發展歷程
1.2.1感知機與連接學
1.2.2符號學與統計學
1.2.3連接學的興起
1.3機器學基本問題
1.3.1特徵提取
1.3.2規則構造
1.3.3模型評估
1.4題

第2章模型估計與優化
2.1模型參數估計
2.1.1小二乘估計
2.1.2大似然估計
2.1.i大後驗估計
2.2模型優化基本方法
2.2.1梯度下降法
2.2.2牛頓迭代法
2.3模型優化概率方法
2.3.1隨機梯度法
2.3.2大期望法
2.3.3蒙特卡洛法
2.4模型正則化策略
2.4.1範數懲罰
2.4.2樣本增強
2.4.3對抗訓練
2.5題

第3章監督學
3.1線性模型
3.1.1模型結構
3.1.2線性回歸
3.1.3線性分類
3.2決策樹模型
3.2.1模型結構
3.2.2判別標準
3.2.3模型構造
3.3貝葉斯模型
3.3.1貝葉斯方法
3.3.2貝葉斯分類
3.3.3貝葉斯回歸
3.4支持向量機
3.4.1線性可分性
3.4.2核函數技術
3.4.3結構分析
3.5監督學應用
3.5.1信用評估
3.5.2垃圾郵件檢測
3.5.3車牌定位與識別
3.6題

第4章無監督學
4.1聚類分析
4.1.1劃分聚類法
4.1.2密度聚類法
4.2主分量分析
4.2.1基本PCA方法
4.2.2核PCA方法
4.3稀疏編碼與學
4.3.1稀疏編碼概述
4.3.2稀疏表示學
4.3.3數據字典學
4.4無監督學應用
4.4.1熱點話題發現
4.4.2自動人臉識別
4.5題

第5章集成學
5.1集成學基本知識
5.1.1集成學基本概念
5.1.2集成學基本範式
5.1.3集成學泛化策略
5.2Bagging集成學
5.2.1Bagging集成策略
5.2.2隨機森林模型結構
5.2.3隨機森林訓練算法
5.3Boosting集成學
5.3.1Boosting集成策略
5.3.2AdaBoost集成學算法
5.3.3GBDT集成學算法
5.4集成學應用
5.4.1房價預測分析
5.4.2自動人臉檢測
5.5題

第6章強化學
6.1強化學概述
6.1.1強化學基本知識
6.1.2馬爾可夫模型
6.1.3強化學計算方式
6.2基本強化學
6.2.1值迭代學
6.2.2時序差分學
6.2.3Q學
6.3示範強化學
6.3.1模仿強化學
6.3.2逆向強化學
6.4強化學應用
6.4.1自動爬山小車
6.4.2五子棋自動對弈
6.5題

第7章神經網絡與深度學
7.1神經網絡概述
7.1.1神經元與感知機
7.1.2前饋網絡模型
7.1.3模型訓練基本流程
7.2神經網絡常用模型
7.2.1徑向基網絡
7.2.2自編碼器
7.2.3玻爾茲曼機
7.3深度學基本知識
7.3.1淺層學與深度學
7.3.2深度堆棧網絡
7.3.3DBN模型及訓練策略
7.4神經網絡應用
7.4.1光學字符識別
7.4.2自動以圖搜圖
7.5題

第8章常用深度網絡模型
8.1深度卷積網絡
8.1.1卷積網絡概述
8.1.2基本網絡模型
8.1.3改進網絡模型
8.2深度循環網絡
8.2.1動態展開
8.2.2網絡結構與計算
8.2.3模型訓練策略
8.3生成對抗網絡
8.3.1生成器與判別器
8.3.2網絡結構與計算
8.3.3模型訓練策略
8.4常用深度網絡應用
8.4.1圖像目標檢測
8.4.2自動文本摘要
8.5題

第9章深度強化學
9.1深度強化學概述
9.1.1基本學
9.1.2基本計算方式
9.1.3蒙特卡洛樹搜索
9.2基於價值的學
9.2.1深度Q網絡
9.2.2深度雙Q網絡
9.2.3DQN模型改進
9.3基於策略的學
9.3.1策略梯度算法
9.3.2Actor-Critic算法
9.3.3DDPG學算法
9.4深度強化學應用
9.4.1智能巡航小車
9.4.2圍棋自動對弈
9.5題
參考文獻