機器學習與深度學習（基於Python實現）

第1章初識機器學習
1.1 機器學習的基礎概念
1.1.1 深度學習的成果
1.1.2 學習與機器學習、深度學習
1.1.3 機器學習方法的分類
1.1.4 從機器學習到深度學習的發展史
1.2 示例程序運行環境
1.2.1 示例程序運行準備
1.2.2 示例程序運行實況
清單1.1 sum2.py程序
第2章機器學習基礎
2.1 歸納學習
2.1.1 演繹學習和歸納學習
2.1.2 歸納學習的示例— —股價預測
2.1.3 基於歸納學習的股價預測程序
清單2.1 學習數據集的文件格式
清單2.2 歸納學習示例程序learnstock.py
執行示例2.1 learnstock.py程序的執行示例
執行示例2.2 增加重複次數的執行示例
2.2強化學習
2.2.1 強化學習的概念
2.2.2 Q學習——強化學習的具體方法
2.2.3 強化學習示例——穿越迷宮最優路徑選擇
2.2.4 強化學習的程序實現
清單2.3 qlearning.py程序
執行示例2.3 qlearning.py程序的執行示例
第3章群智能與優化方法
3.1 群智能
3.1.1 粒子群優化算法
3.1.2 蟻群優化算法
3.1.3 蟻群優化算法的應用
清單3.1 aco.py程序
執行示例3.1 aco.py程序的執行示例
3.2 優化方法
3.2.1 優化方法的基礎概念
3.2.2 構建遺傳算法
清單3.2 kpga.py程序
執行示例3.2 裝入背包的行李的數據
執行示例3.3 kpga.py程序的執行示例
第4章神經網絡
4.1 神經網絡的基本原理
4.1.1 人工神經元模型
4.1.2 神經網絡與學習
4.1.3 神經網絡的種類
4.1.4 人工神經元的計算方法
清單4.1 neuron.py程序
執行示例4.1 neuron.py程序的執行示例（1)
執行示例4.2 neuron.py程序的執行示例（2)
執行示例4.3 neuron.py程序的執行示例（3)
4.1.5 神經網絡的計算方法
清單4.2 nn.py程序
執行示例4.4 nn.py程序的執行示例（1）
執行示例4.5 nn.py程序的執行示例（2）
4.2 基於反向傳播的神經網絡學習
4.2 .1 感知器的學習程序
4.2.2 反向傳播的處理流程
4.2.3 反向傳播的應用
清單4.3 bpl.py程序
執行示例4.6 bpl.py程序的執行示例(1)
執行示例4.7 bpl.py程序的執行示例(2)
執行示例4.8 bpl.py程序的執行示例（3）
執行示例4.9 bpl.py程序的執行示例(4)
第5章深度學習
5.1 深度學習的基礎概念
5.1.1 傳統神經網絡的局限性和深度學習的創新
5.1.2 卷積神經網絡
5.1.3 使用自編碼器的學習方法
5.2 深度學習的實戰應用
5.2.1 卷積運算的實現
清單5.1 cp.py程序
執行示例5.1 cp.py程序的執行示例（1）
基於縱向過濾器的執行結果
執行示例5.2 cp.py程序的執行示例（2）
基於橫向過濾器的執行結果
5.2.2 卷積神經網絡的實現
清單5.2 simplecnn.py程序
執行示例5.3 simplecnn.py程序的執行示例
5.2.3 自編碼器的實現
清單5.3 ae.py程序
執行示例5.4 提供給ae.py程序的學習數據示例
執行示例5.5 ae.py程序的執行示例
附錄A 生成行李重量和價值的程序kpdatagen.py
清單Akpdatagen.py程序
附錄B 全局搜索解決背包問題的程序direct.py
清單Bdirect .py程序
參考文獻