前言
第1章机器学习概述
1.1机器学习基本概念
1.1.1人工智能与机器学习
1.1.2机器学习基本术语
1.1.3机器学习误差分析
1.2机器学习发展历程
1.2.1感知机与连接学习
1.2.2符号学习与统计学习
1.2.3连接学习的兴起
1.3机器学习基本问题
1.3.1特征提取
1.3.2规则构造
1.3.3模型评估
1.4习题
第2章模型估计与优化
2.1模型参数估计
2.1.1zui小二乘估计
2.1.2zui大似然估计
2.1.3zui大后验估计
2.2模型优化基本方法
2.2.1梯度下降法
2.2.2牛顿迭代法
2.3模型优化概率方法
2.3.1随机梯度法
2.3.2zui大期望法
2.3.3蒙特卡洛法
2.4模型正则化策略
2.4.1范数惩罚
2.4.2样本增强
2.4.3对抗训练
2.5习题
第3章监督学习
3.1线性模型
3.1.1模型结构
3.1.2线性回归
3.1.3线性分类
3.2决策树模型
3.2.1模型结构
3.2.2判别标准
3.2.3模型构造
3.3贝叶斯模型
3.3.1贝叶斯方法
3.3.2贝叶斯分类
3.3.3贝叶斯回归
3.4支持向量机
3.4.1线性可分性
3.4.2核函数技术
3.4.3结构风险分析
3.5监督学习应用
3.5.1信用风险评估
3.5.2垃圾邮件检测
3.5.3车牌定位与识别
3.6习题
第4章无监督学习
4.1聚类分析
4.1.1划分聚类法
4.1.2密度聚类法
4.2主分量分析
4.2.1基本PCA方法
4.2.2核PCA方法
4.3稀疏编码与学习
4.3.1稀疏编码概述
4.3.2稀疏表示学习
4.3.3数据字典学习
4.4无监督学习应用
4.4.1热点话题发现
4.4.2自动人脸识别
4.5习题
第5章集成学习
5.1集成学习基本知识
5.1.1集成学习基本概念
5.1.2集成学习基本范式
5.1.3集成学习泛化策略
5.2Bagging集成学习
5.2.1Bagging集成策略
5.2.2随机森林模型结构
5.2.3随机森林训练算法
5.3Boosting集成学习
5.3.1Boosting集成策略
5.3.2AdaBoost集成学习算法
5.3.3GBDT集成学习算法
5.4集成学习应用
5.4.1房价预测分析
5.4.2自动人脸检测
5.5习题
第6章强化学习
6.1强化学习概述
6.1.1强化学习基本知识
6.1.2马尔可夫模型
6.1.3强化学习计算方式
6.2基本强化学习
6.2.1值迭代学习
6.2.2时序差分学习
6.2.3Q学习
6.3示范强化学习
6.3.1模仿强化学习
6.3.2逆向强化学习
6.4强化学习应用
6.4.1自动爬山小车
6.4.2五子棋自动对弈
6.5习题
第7章神经网络与深度学习
7.1神经网络概述
7.1.1神经元与感知机
7.1.2前馈网络模型
7.1.3模型训练基本流程
7.2神经网络常用模型
7.2.1径向基网络
7.2.2自编码器
7.2.3玻尔兹曼机
7.3深度学习基本知识
7.3.1浅层学习与深度学习
7.3.2深度堆栈网络
7.3.3DBN模型及训练策略
7.4神经网络应用
7.4.1光学字符识别
7.4.2自动以图搜图
7.5习题
第8章常用深度网络模型
8.1深度卷积网络
8.1.1卷积网络概述
8.1.2基本网络模型
8.1.3改进网络模型
8.2深度循环网络
8.2.1动态系统展开
8.2.2网络结构与计算
8.2.3模型训练策略
8.3生成对抗网络
8.3.1生成器与判别器
8.3.2网络结构与计算
8.3.3模型训练策略
8.4常用深度网络应用
8.4.1图像目标检测
8.4.2自动文本摘要
8.5习题
第9章深度强化学习
9.1深度强化学习概述
9.1.1基本学习思想
9.1.2基本计算方式
9.1.3蒙特卡洛树搜索
9.2基于价值的学习
9.2.1深度Q网络
9.2.2深度双Q网络
9.2.3DQN模型改进
9.3基于策略的学习
9.3.1策略梯度算法
9.3.2Actor-Critic算法
9.3.3DDPG学习算法
9.4深度强化学习应用
9.4.1智能巡航小车
9.4.2围棋自动对弈
9.5习题
参考文献