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

机器学习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 机器学习概述1

1.1机器学习简介2

1.1.1机器学习简史2

1.1.2机器学习主要流派3

1.2机器学习、人工智能和数据挖掘5

1.2.1什么是人工智能5

1.2.2什么是数据挖掘6

1.2.3机器学习、人工智能与数据挖掘的关系6

1.3典型机器学习应用领域7

1.4机器学习算法13

1.5机器学习的一般流程20

习题21

第2章 机器学习基本方法23

2.1统计分析24

2.1.1统计基础24

2.1.2常见概率分布29

2.1.3参数估计30

2.1.4假设检验32

2.1.5线性回归33

2.1.6逻辑回归35

2.1.7判别分析37

2.1.8非线性模型38

2.2高维数据降维39

2.2.1主成分分析39

2.2.2奇异值分解42

2.2.3线性判别分析43

2.2.4局部线性嵌入46

2.2.5拉普拉斯特征映射47

2.3特征工程49

2.3.1特征构建49

2.3.2特征选择50

2.3.3特征提取51

2.4模型训练51

2.4.1模型训练常见术语51

2.4.2训练数据收集51

2.5可视化分析52

2.5.1可视化分析的作用53

2.5.2可视化分析方法53

2.5.3可视化分析常用工具54

2.5.4常见的可视化图表56

2.5.5可视化分析面临的挑战66

习题66

第3章 决策树与分类算法68

3.1决策树算法69

3.1.1分支处理70

3.1.2连续属性离散化76

3.1.3过拟合问题78

3.1.4分类效果评价83

3.2集成学习87

3.2.1装袋法87

3.2.2提升法88

3.2.3GBDT90

3.2.4随机森林91

3.3决策树应用93

习题96

第4章 聚类分析97

4.1聚类分析概念98

4.1.1聚类方法分类98

4.1.2良好聚类算法的特征99

4.2聚类分析的度量100

4.2.1外部指标100

4.2.2内部指标101

4.3基于划分的聚类103

4.3.1k-均值算法103

4.3.2k-medoids算法108

4.3.3k-prototype算法108

4.4基于密度的聚类109

4.4.1DBSCAN算法109

4.4.2OPTICS算法111

4.4.3DENCLUE算法112

4.5基于层次的聚类115

4.5.1BIRCH聚类115

4.5.2CURE算法118

4.6基于网格的聚类121

4.7基于模型的聚类121

4.7.1概率模型聚类121

4.7.2模糊聚类126

4.7.3Kohonen神经网络聚类126

习题132

第5章 文本分析134

5.1文本分析介绍135

5.2文本特征提取及表示135

5.2.1TF-IDF136

5.2.2信息增益136

5.2.3互信息137

5.2.4卡方统计量138

5.2.5词嵌入138

5.2.6语言模型139

5.2.7向量空间模型141

5.3知识图谱142

5.3.1知识图谱相关概念143

5.3.2知识图谱的存储144

5.3.3知识图谱挖掘与计算145

5.3.4知识图谱的构建过程146

5.4词法分析151

5.4.1文本分词151

5.4.2命名实体识别154

5.4.3词义消歧155

5.5句法分析155

5.6语义分析157

5.7文本分析应用158

5.7.1文本分类159

5.7.2信息抽取161

5.7.3问答系统162

5.7.4情感分析163

5.7.5自动摘要164

习题165

第6章 神经网络166

6.1神经网络介绍167

6.1.1前馈神经网络167

6.1.2反馈神经网络169

6.1.3自组织神经网络172

6.2神经网络相关概念173

6.2.1激活函数173

6.2.2损失函数176

6.2.3学习率178

6.2.4过拟合180

6.2.5模型训练中的问题181

6.2.6神经网络效果评价184

6.3神经网络应用184

习题188

第7章 贝叶斯网络189

7.1贝叶斯理论概述190

7.2贝叶斯概率基础190

7.2.1概率论190

7.2.2贝叶斯概率191

7.3朴素贝叶斯分类模型192

7.4贝叶斯网络推理195

7.5贝叶斯网络的应用200

7.5.1中文分词200

7.5.2机器翻译201

7.5.3故障诊断201

7.5.4疾病诊断202

习题204

第8章 支持向量机205

8.1支持向量机模型206

8.1.1核函数206

8.1.2模型原理分析207

8.2支持向量机应用210

习题215

第9章 进化计算216

9.1遗传算法的基础217

9.1.1基因重组与基因突变217

9.1.2遗传算法实现技术218

9.1.3遗传算法应用案例222

9.2蚁群算法223

9.3蜂群算法225

习题227

第10章 分布式机器学习229

10.1分布式机器学习基础230

10.1.1参数服务器230

10.1.2分布式并行计算类型231

10.2分布式机器学习框架232

10.3并行决策树238

10.4并行k-均值算法238

习题240

第11章 深度学习242

11.1卷积神经网络243

11.1.1卷积神经网络简介243

11.1.2卷积神经网络的结构244

11.1.3常见卷积神经网络246

11.2循环神经网络254

11.2.1RNN基本原理254

11.2.2长短期记忆网络260

11.2.3门限循环单元263

11.3深度学习流行框架264

习题265

第12章 高级深度学习266

12.1高级卷积神经网络267

12.1.1目标检测与追踪267

12.1.2目标分割270

12.2高级循环神经网络应用272

12.2.1Encoder-Decoder模型272

12.2.2注意力模型273

12.2.3LSTM高级应用274

12.3无监督式深度学习275

12.3.1深度信念网络275

12.3.2生成对抗网络模型277

12.4强化学习277

12.5迁移学习279

12.6对偶学习282

习题283

第13章 推荐系统284

13.1推荐系统基础285

13.1.1推荐系统的应用场景285

13.1.2相似度计算286

13.2推荐系统通用模型288

13.2.1推荐系统结构288

13.2.2基于人口统计学的推荐288

13.2.3基于内容的推荐289

13.2.4基于协同过滤的推荐算法290

13.2.5基于图的模型292

13.2.6基于关联规则的推荐293

13.2.7基于知识的推荐299

13.2.8基于标签的推荐300

13.3推荐系统评测301

13.3.1评测方法301

13.3.2评测指标302

13.4推荐系统常见问题306

13.5推荐系统实例309

习题318

第14章 实验319

14.1华为Fusionlnsight产品平台介绍320

14.2银行定期存款业务预测321

14.2.1上传银行客户及存贷款数据322

14.2.2准备存款业务分析工作区322

14.2.3创建数据挖掘流程323

14.2.4定期存款业务模型保存和应用330

14.3客户分群333

14.3.1分析业务需求333

14.3.2上传客户信息数据335

14.3.3准备客户分群工作区336

14.3.4创建数据挖掘流程337

14.3.5客户分群模型保存和应用344

附录 《机器学习》配套实验课程方案简介347

参考文献348