機器學習原理與實踐（微課版）

在這個“智慧為王”“資料是金”的時代，越采越多的資料，包括物聯網設備採集的客觀世界資料，被用來指導人類的實踐活動。機器學習是處理與分析這些資料的一類常用方法。本書力求從原理的角度，從無到有，講清楚機器學習中的一些常見方法，並從實踐的角度，循序漸進，讀者獨立程式設計實現這些機器學習方法，從而幫助讀者迅速掌握機器學習方法，為讀者進一步學習理解深度學習方法奠定堅實的原理與實踐基礎。本書適合電腦科學與技術、人工智慧、物聯網工程、資料科學與大資料、通信工程、電子資訊、機器人、自動化、智慧製造等相關專業高年級本科生及研究生教學或自學使用，也適合機器學習等領域的從業者及愛好者自學或參考。

第1章 引言
1.1 機器學習簡史
1.2 什麼是機器學習
1.3 機器學習的應用
1.4 機器學習方法的實現
1.4.1 機器學習與Python
1.4.2 NumPy庫
1.4.3 Matplotlib庫
1.5 本章實驗分析
1.6 本章小結
1.7 思考與練習

第2章 監督學習
2.1 線性回歸
2.1.1 線性回歸的數學模型
2.1.2 線性回歸的訓練過程
2.1.3 梯度下降法
2.1.4 線性回歸的實現與性能評估
2.1.5 線性回歸實踐
2.1.6 特徵縮放
2.1.7 多輸出線性回歸
2.2 邏輯回歸
2.2.1 二分類與邏輯回歸
2.2.2 邏輯回歸的訓練問題
2.2.3 邏輯回歸的代價函數
2.2.4 分類任務的性能指標
2.2.5 邏輯回歸實踐
2.3 支持向量機
2.3.1 支持向量機及其訓練問題
2.3.2 支持向量機訓練問題初步求解
2.3.3 核技巧
2.3.4 軟間隔支持向量機
2.3.5 支持向量機實踐
2.3.6 過擬合與欠擬合
2.4 k近鄰
2.4.1 k近鄰分類
2.4.2 多分類任務的性能指標
2.5 樸素貝葉斯
2.5.1 樸素貝葉斯分類器
2.5.2 樸素貝葉斯分類器進階
2.5.3 樸素貝葉斯實踐
2.6 神經網路
2.6.1 多分類邏輯回歸
2.6.2 多分類邏輯回歸的訓練
2.6.3 二分類神經網路
2.6.4 二分類神經網路的分類
2.6.5 二分類神經網路的訓練
2.6.6 多分類神經網路
2.6.7 多分類神經網路的訓練
2.7 本章實驗分析
2.8 本章小結
2.9 思考與練習

第3章 無監督學習
3.1 k均值
3.1.1 k均值聚類
3.1.2 k值與輪廓係數
3.1.3 k均值實踐
3.2 主成分分析
3.2.1 主成分分析降維
3.2.2 主成分分析實踐
3.3 自編碼器
3.3.1 什麼是自編碼器
3.3.2 自編碼器的訓練與降維
3.3.3 自編碼器實踐
3.4 本章實驗分析
3.5 本章小結
3.6 思考與練習

第4章 強化學習
4.1 多老虎機問題
4.1.1 多老虎機問題及初步實踐
4.1.2 ε貪婪方法
4.1.3 強化學習的要素
4.2 瑪律可夫決策過程
4.2.1 什麼是瑪律可夫決策過程
4.2.2 收益與 策略
4.2.3 貝爾曼 性方程
4.2.4 求解貝爾曼 性方程
4.2.5 瑪律可夫決策過程實踐
4.3 Q學習
4.3.1 什麼是Q學習
4.3.2 Q學習實踐
4.4 本章實驗分析
4.5 本章小結
4.6 思考與練習

參考文獻
附錄A 實驗參考程式及注釋