机器学习算法导论2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习算法导论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 机器学习算法概述1

1.1 什么是机器学习2

1.2 机器学习的形式分类4

1.2.1 监督式学习4

1.2.2 无监督学习7

1.2.3 强化学习8

1.3 机器学习算法综览9

1.4 有关术语的约定15

小结16

第2章 监督式学习算法基础17

2.1 监督式学习基本概念17

2.2 经验损失最小化架构20

2.3 监督式学习与经验损失最小化实例23

2.4 正则化算法29

小结34

习题35

第3章 线性回归算法38

3.1 线性回归基本概念38

3.2 线性回归优化算法43

3.3 多项式回归49

3.4 线性回归的正则化算法52

3.5 线性回归的特征选择算法58

3.5.1 逐步回归58

3.5.2 分段回归63

小结66

习题66

第4章 机器学习中的搜索算法70

4.1 梯度下降算法与次梯度下降算法71

4.2 随机梯度下降算法77

4.3 牛顿迭代算法83

4.4 坐标下降算法87

小结91

习题92

第5章 Logistic回归算法94

5.1 Logistic回归基本概念94

5.2 Logistic回归优化算法100

5.3 分类问题的度量107

5.3.1 准确率107

5.3.2 精确率与召回率108

5.3.3 ROC曲线及AUC度量112

5.4 Softmax回归115

5.4.1 Softmax回归基本概念115

5.4.2 Softmax回归优化算法116

5.4.3 Softmax模型与指数分布族121

小结123

习题123

第6章 支持向量机算法126

6.1 支持向量机基本概念126

6.1.1 支持向量机思想起源127

6.1.2 支持向量机的凸优化描述129

6.1.3 支持向量机的对偶132

6.2 支持向量机优化算法133

6.3 核方法140

6.4 软间隔支持向量机147

6.4.1 软间隔支持向量机基本概念147

6.4.2 软间隔支持向量机优化算法149

6.4.3 Hinge损失与软间隔支持向量机152

小结153

习题154

第7章 决策树158

7.1 决策树的基本概念158

7.2 决策树优化算法166

7.2.1 决策树回归问题的CART算法166

7.2.2 决策树分类问题的CART算法168

7.3 CART算法实现及应用171

7.3.1 决策树CART算法基类171

7.3.2 决策树回归问题的CART算法的实现及应用175

7.3.3 决策树分类问题的CART算法的实现及应用178

7.4 集成学习算法180

7.4.1 随机森林分类算法181

7.4.2 随机森林回归算法187

7.5 梯度提升决策树回归算法189

小结192

习题193

第8章 神经网络197

8.1 神经网络基本概念197

8.1.1 神经网络模型197

8.1.2 神经网络算法描述202

8.2 神经网络优化算法204

8.3 神经网络算法实现208

8.4 神经网络的TensorFlow实现216

小结218

习题218

第9章 深度学习222

9.1 卷积神经网络222

9.1.1 滤镜224

9.1.2 卷积层226

9.1.3 卷积神经网络的实现230

9.2 循环神经网络237

9.2.1 循环神经网络基本概念238

9.2.2 循环神经网络的实现241

9.2.3 时间反向传播算法245

9.2.4 长短时记忆基本概念246

9.2.5 长短时记忆的实现249

小结250

习题251

第10章 降维算法256

10.1 主成分分析法256

10.1.1 算法思想256

10.1.2 算法实现261

10.1.3 奇异值分解263

10.2 主成分分析的核方法265

10.2.1 主成分分析法的等价形式265

10.2.2 核方法算法描述266

10.2.3 核方法算法实现268

10.3 线性判别分析法271

10.3.1 算法思想271

10.3.2 算法实现273

10.4 流形降维算法275

10.4.1 局部线性嵌入法276

10.4.2 多维缩放法280

10.5 自动编码器284

小结287

习题288

第11章 聚类算法293

11.1 k均值算法293

11.2 合并聚类算法298

11.3 DBSCAN算法304

小结309

习题310

第12章 强化学习313

12.1 强化学习基本概念314

12.1.1 马尔可夫环境模型314

12.1.2 策略316

12.2 动态规划型算法318

12.2.1 值迭代算法319

12.2.2 策略迭代算法323

12.3 时序差分型算法327

12.4 深度Q神经网络335

12.5 策略梯度型算法341

12.5.1 REINFORCE算法342

12.5.2 Actor-Critic算法345

小结348

习题349

附录A 机器学习数学基础352

A.1 线性代数352

A.2 微积分357

A.3 优化理论361

A.3.1 凸函数的定义及判定361

A.3.2 无约束凸优化问题362

A.3.3 带约束凸优化问题364

A.4 概率论简介366

附录B Python语言与机器学习工具库370

B.1 Python语言基础370

B.2 SciPy工具库374

B.2.1 NumPy简介374

B.2.2 Matplotlib简介378

B.2.3 Pandas简介379

B.3 Sklearn简介380

B.4 TensorFlow简介383

附录C 本书使用的数据集387

参考文献388