机器学习原理及应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习原理及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 什么是机器学习1

1.2 机器学习的发展历程及研究现状2

1.2.1 机器学习的发展历程2

1.2.2 机器学习的研究现状3

1.3 机器学习的分类10

1.3.1 基于学习策略的分类11

1.3.2 基于学习方法的分类11

1.3.3 基于学习方式的分类11

1.3.4 基于数据形式的分类12

1.3.5 基于学习目标的分类12

1.4 机器学习的应用前景12

1.4.1 数据分析与挖掘12

1.4.2 模式识别13

1.4.3 在生物信息学上的应用14

1.4.4 更广阔的领域15

第2章 机器学习基础理论17

2.1 引言17

2.2 线性建模18

2.2.1 定义模型18

2.2.2 模型假设18

2.2.3 理想模型的定义19

2.2.4 最小二乘解21

2.3 向量和矩阵23

2.4 线性模型的非线性响应25

2.5 泛化与过拟合26

2.5.1 验证数据26

2.5.2 交叉验证27

2.5.3 K折交叉验证的计算缩放27

2.6 噪声28

2.7 随机变量和概率29

2.7.1 随机变量30

2.7.2 概率和概率分布31

2.7.3 概率的加法32

2.7.4 条件概率33

2.7.5 联合概率34

2.7.6 边缘化35

2.7.7 贝叶斯规则37

2.7.8 期望值38

2.8 常见的离散分布40

2.8.1 伯努利分布40

2.8.2 二项分布40

2.8.3 多项分布41

2.9 连续型随机变量—概率密度函数41

2.10 常见的连续概率密度函数43

2.10.1 均匀密度函数43

2.10.2 β密度函数44

2.10.3 斯密度函数45

2.10.4 多元高斯46

2.11 似然估计48

2.11.1 数据集的似然值48

2.11.2 最大似然49

2.11.3 最大似然解的特点51

2.11.4 最大似然法适用于复杂模型53

2.12 噪声对参数估计的影响54

2.12.1 参数估计的影响54

2.12.2 参数估计的不确定性55

2.13 预测值的变异性56

2.13.1 预测值变异性示例57

2.13.2 估计值的期望值59

2.14 评估假设61

2.14.1 动机61

2.14.2 估计假设精度62

2.14.3 采样理论基础65

2.14.4 推导置信区间的一般方法72

2.14.5 两个假设错误率间的差异74

2.14.6 学习算法比较76

第3章 人工神经网络81

3.1 概述82

3.1.1 什么是人工神经网络82

3.1.2 神经网络的基本特点与功能83

3.2 神经网络的应用领域介绍85

3.3 生物神经网络基础88

3.3.1 生物神经元的结构89

3.3.2 生物神经元的信息处理机理90

3.4 人工神经网络模型及其性能92

3.4.1 人工神经元模型92

3.4.2 人工神经网络模型97

3.5 神经网络学习105

3.5.1 Hebb学习规则107

3.5.2 离散感知器学习规则108

3.5.3 连续感知器学习规则109

3.5.4 最小均方学习规则110

3.5.5 相关学习规则111

3.5.6 胜者为王学习规则111

3.5.7 外星学习规则111

3.6 神经网络系统设计与软硬件实现112

3.6.1 神经网络系统总体设计113

3.6.2 神经网络的软件实现119

3.6.3 神经网络的高级开发环境120

3.6.4 神经网络的硬件实现127

第4章 主流的机器学习模型140

4.1 树模型140

4.1.1 决策树143

4.1.2 作为减小方差的树学习方法144

4.2 概率模型149

4.2.1 正态分布及其几何意义150

4.2.2 属性数据的概率模型151

4.2.3 通过优化条件似然实现鉴别式学习153

4.3 支持向量机153

4.3.1 SVM的基本思想154

4.3.2 非线性支持向量机159

4.3.3 支持向量机的学习算法161

4.3.4 支持向量机的应用研究现状163

第5章 机器学习方法167

5.1 机器学习的历史167

5.2 监督学习168

5.2.1 未标记样本168

5.2.2 生成式方法170

5.2.3 阅读材料172

5.3 集成学习173

5.3.1 个体与集成173

5.3.2 Bagging与随机森林175

5.4 规则学习177

5.4.1 基本概念177

5.4.2 序贯覆盖179

5.4.3 剪枝优化181

5.4.4 阅读材料183

5.5 基于支持向量机的强化学习184

5.5.1 半监督SVM184

5.5.2 核学习185

5.5.3 SVM186

5.6 基于SVM的强化学习188

5.6.1 基于SVM的Q学习结构188

5.6.2 基于滚动时间窗机制的SVM189

5.6.3 算法步骤191

5.6.4 仿真研究191

5.7 流形学习与图谱学习192

5.7.1 流形学习的基本概念193

5.7.2 流形学习的降维方法分类193

5.7.3 构建关系矩阵的方法194

5.8 李群机器学习200

5.8.1 李群机器学习的基本概念200

5.8.2 李群机器学习的泛化能力假设公理该公理201

5.8.3 李群机器学习的学习模型202

第6章 大数据时代的数据挖掘与机器学习205

6.1 概论205

6.2 机器学习与数据挖掘206

6.2.1 无处不在的机器学习与数据挖掘207

6.2.2 机器学习与数据挖掘大发展历程209

6.3 数据挖掘工具214

6.3.1 Weka214

6.3.2 Java和JVM语音214

6.3.3 R语言216

6.3.4 Python217

6.3.5 SAS218

6.3.6 数据挖掘工具Weka和R的比较分析219

6.4 基于数据挖掘和机器学习的木马检测系统221

6.4.1 网页木马概述222

6.4.2 网页木马检测系统需求分析224

6.4.3 网页木马检测系统设计226

6.4.4 木马检测系统设计小结242

6.5 机器学习技术在数据挖掘中的商业应用研究243

6.5.1 技术制造商案例研究243

6.5.2 在线品牌管理的案例研究245

6.5.3 移动应用推荐的案例研究247

第7章 机器学习实用案例解析250

7.1 数据分析250

7.1.1 分析与验证250

7.1.2 什么是数据251

7.1.3 数据推断的类型253

7.1.4 推断数据的含义254

7.1.5 数值摘要表255

7.1.6 均值、中位数、众数255

7.1.7 分位数257

7.1.8 标准差和方差258

7.2 智能收件箱260

7.2.1 次序未知时该如何排序260

7.2.2 按优先级给邮件排序262

7.2.3 文本分析——经典的垃圾邮件过滤系统262

7.3 搜狗输入法案例解析265

7.3.1 语义搜索引擎的底层技术和原理265

7.3.2 顺序分析——搜狗输入法的智能纠错系统267

7.3.3 搜狗输入法的王牌词库和智能算法267

7.3.4 频繁树模式和顺序分析算法268

7.4 基于机器学习的行人检测270

7.4.1 基于机器学习的行人检测综述270

7.4.2 基于整体特征的检测方法271

7.4.3 基于boostedcascade的物体检测276

7.4.4 基于boostedcascade的行人检测281

7.5 机器学习在运动合成与分析中的应用286

7.5.1 运动合成中的回归与函数逼近286

7.5.2 降维在运动合成中的应用288

7.5.3 分类在运动合成中的应用290

7.5.4 聚类在运动合成中的应用291

7.5.5 决策在运动合成中的应用292

参考文献294