機器學習原理與實踐（微課版）

目錄

第1章引言1

1.1機器學習簡史2

1.2什麽是機器學習2

1.3機器學習的應用3

1.4機器學習方法的實現4

1.4.1機器學習與Python4

1.4.2NumPy庫5

1.4.3Matplotlib庫6

1.5本章實驗分析8

1.6本章小結9

1.7思考與練習10

第2章監督學習11

2.1線性回歸12

2.1.1線性回歸的數學模型12

2.1.2線性回歸的訓練過程16

2.1.3梯度下降法21

2.1.4線性回歸的實現與性能評估26

2.1.5線性回歸實踐28

2.1.6特徵縮放31

2.1.7多輸出線性回歸34

2.2邏輯回歸38

2.2.1二分類與邏輯回歸39

2.2.2邏輯回歸的訓練問題43

2.2.3邏輯回歸的代價函數46

2.2.4分類任務的性能指標51

2.2.5邏輯回歸實踐55

2.3支持向量機55

2.3.1支持向量機及其訓練問題56

2.3.2支持向量機訓練問題初步求解58

2.3.3核技巧59

2.3.4軟間隔支持向量機62

2.3.5支持向量機實踐63

2.3.6過擬合與欠擬合64

2.4k近鄰68

2.4.1k近鄰分類69

2.4.2多分類任務的性能指標71

2.5樸素貝葉斯73

2.5.1樸素貝葉斯分類器74

2.5.2樸素貝葉斯分類器進階76

2.5.3樸素貝葉斯實踐78

2.6神經網絡79

2.6.1多分類邏輯回歸79

2.6.2多分類邏輯回歸的訓練82

2.6.3二分類神經網絡85

2.6.4二分類神經網絡的分類90

2.6.5二分類神經網絡的訓練93

2.6.6多分類神經網絡98

2.6.7多分類神經網絡的訓練100

2.7本章實驗分析103

2.8本章小結111

2.9思考與練習112

〖3〗機器學習原理與實踐（微課版）目錄〖3〗第3章無監督學習114

3.1k均值114

3.1.1k均值聚類114

3.1.2k值與輪廓系數117

3.1.3k均值實踐118

3.2主成分分析119

3.2.1主成分分析降維120

3.2.2主成分分析實踐124

3.3自編碼器125

3.3.1什麽是自編碼器126

3.3.2自編碼器的訓練與降維127

3.3.3自編碼器實踐131

3.4本章實驗分析133

3.5本章小結136

3.6思考與練習137

第4章強化學習139

4.1多老虎機問題140

4.1.1多老虎機問題及初步實踐140

4.1.2ε貪婪方法143

4.1.3強化學習的要素143

4.2馬爾可夫決策過程145

4.2.1什麽是馬爾可夫決策過程146

4.2.2收益與最優策略148

4.2.3貝爾曼最優性方程150

4.2.4求解貝爾曼最優性方程154

4.2.5馬爾可夫決策過程實踐156

4.3Q學習160

4.3.1什麽是Q學習160

4.3.2Q學習實踐164

4.4本章實驗分析165

4.5本章小結168

4.6思考與練習168

參考文獻170

附錄A實驗參考程序及註釋171