预购商品
书目分类
特别推荐
1緒論1 1.1統計學基礎1 1.1.1期望、方差、協方差1 1.1.2一元高斯分佈3 1.1.3多元高斯分佈3 1.1.4KL散度4 1.2人工智慧簡介4 1.2.1人工智慧的概念5 1.2.2人工智慧的發展5 1.2.3人工智慧的學派7 1.3機器學習7 1.3.1基本概念8 1.3.2機器學習的範式8 1.3.3機器學習的三要素9 1.3.4過擬合與正則化11 1.3.5偏差與方差12 1.4深度學習14 1.4.1生物神經網路14 1.4.2人工神經網路15 1.4.3主流的深度學習框架16 本章小結17 習題117 參考文獻18 2數據預處理與特徵工程20 2.1數據預處理20 2.1.1數據清洗21 2.1.2數據變換24 2.2特徵工程27 2.2.1特徵提取27 2.2.2特徵選擇27 2.3應用實例30 2.3.1數據集簡介與環境準備30 2.3.2數據集導入與欄位理解31 2.3.3缺失值處理31 2.3.4異常值處理32 2.3.5數據變換33 2.3.6特徵工程34 2.3.7案例小結34 本章小結34 習題235 參考文獻36 3數據降維37 3.1數據降維簡介37 3.2主成分分析演算法38 3.2.1主成分分析演算法簡介38 3.2.2主成分分析的數學原理38 3.2.3主成分分析的直觀理解40 3.3慢特徵分析演算法41 3.3.1慢特徵分析演算法簡介41 3.3.2慢特徵分析的數學原理41 3.3.3慢特徵分析的直觀理解43 3.4應用實例44 3.4.1主成分分析的數值示例44 3.4.2主成分分析的應用示例45 本章小結47 習題347 參考文獻48 4回歸分析50 4.1回歸分析基本概念50 4.1.1回歸的起源50 4.1.2回歸模型的建立及應用51 4.1.3回歸模型分類52 4.1.4回歸模型效果評估52 4.2 小二乘回歸53 4.2.1 小二乘法擬合目標53 4.2.2 小二乘回歸原理54 4.2.3 小二乘法的幾何意義56 4.2.4 小二乘法的缺陷57 4.3嶺回歸與LASSO回歸57 4.3.1嶺回歸演算法58 4.3.2LASSO回歸演算法61 4.3.3線性回歸模型的正則化項63 4.4主元回歸64 4.4.1維數災難64 4.4.2主元回歸建模65 4.4.3主成分個數選取65 4.4.4主元回歸與嶺回歸66 4.5偏 小二乘回歸66 4.5.1偏 小二乘建模67 4.5.2目標函數與演算法推導67 4.5.3潛變數個數確定69 4.6回歸案例分析70 本章小結72 習題472 參考文獻73 5聚類分析75 5.1基本思想與概念75 5.1.1聚類的概念75 5.1.2聚類演算法分類76 5.2相似性度量77 5.2.1相似性度量的基本概念77 5.2.2距離度量77 5.2.3相關係數81 5.2.4選擇相似性衡量手段的原則82 5.3K-均值聚類演算法簡介83 5.3.1演算法思想83 5.3.2演算法流程84 5.3.3演算法關鍵影響因素85 5.3.4演算法應用：圖像壓縮86 5.4高斯混合模型簡介87 5.4.1演算法介紹87 5.4.2利用GMM演算法進行聚類88 5.4.3演算法示例88 本章小結91 習題591 參考文獻92 6判別分析93 6.1基本理論93 6.1.1判別的基本概念93 6.1.2判別的效果評估94 6.2距離判別94 6.3貝葉斯判別95 6.3.1貝葉斯的統計思想96 6.3.2貝葉斯 小錯誤率判別96 6.3.3貝葉斯 小風險判別97 6.3.4先驗概率的選取97 6.3.5多總體貝葉斯判別準則98 6.3.6多總體貝葉斯判別函數98 6.4Fisher判別100 6.4.1Fisher判別的基本思想100 6.4.2Fisher判別的優化目標100 6.4.3多分類問題101 6.4.4Fisher判別的分析步驟102 6.4.5案例分析103 本章小結104 習題6104 參考文獻105 7支持向量機107 7.1線性可分支援向量機107 7.1.1線性可分的概念107 7.1.2間隔 化108 7.1.3支持向量機求解109 7.2軟間隔支持向量機111 7.3非線性支援向量機112 7.4支持向量回歸114 7.5支援向量機實例116 7.5.1線性可分支援向量機實例116 7.5.2非線性支援向量機實例117 本章小結118 習題7118 參考文獻119 8典型相關分析120 8.1基本概念120 8.1.1CCA的歷史及用途120 8.1.2CCA的思想121 8.1.3CCA的擴展方法122 8.2典型相關分析演算法介紹122 8.3CCA演算法拓展125 8.3.1多視角CCA125 8.3.2核CCA127 8.3.3深度CCA128 8.3.4判別CCA128 8.3.5局部保留CCA130 8.4典型相關分析案例分析130 8.4.1案例一：城市競爭力分析130 8.4.2案例二：多標籤分類132 本章小結134 習題8135 參考文獻136 9決策樹與隨機森林138 9.1決策樹基本內容138 9.2決策樹演算法介紹139 9.2.1資訊熵和資訊增益140 9.2.2剪枝演算法142 9.3隨機森林介紹143 9.4應用實例145 9.4.1Python實現決策樹145 9.4.2Python實現隨機森林146 本章小結148 習題9149 參考文獻150 10神經網路151 10.1基本概念151 10.1.1基本結構——神經元模型151 10.1.2感知機152 10.1.3多層前饋神經網路153 10.1.4啟動函數153 10.1.5誤差反向傳播演算法155 10.2深度神經網路157 10.2.1模型優化方法157 10.2.2參數初始化160 10.2.3數據預處理161 10.2.4防止過擬合162 10.2.5數據增強162 10.3寬度學習（BLS）簡介163 10.3.1BLS產生背景163 10.3.2RVFLNN簡介164 10.3.3BLS演算法介紹164 10.3.4BLS實際應用案例168 本章小結169 習題10169 參考文獻170 11卷積神經網路172 11.1卷積神經網路基礎172 11.1.1卷積172 11.1.2池化（pooling）174 11.1.3卷積神經網路的優點175 11.1.4LeNet176 11.2卷積網路進階與實例178 11.2.1特殊的卷積核178 11.2.2卷積網路實例181 本章小結185 習題11185 參考文獻186 12迴圈神經網路187 12.1迴圈神經網路基礎187 12.1.1RNN的用途187 12.1.2RNN的結構及工作方式188 12.1.3LSTM的結構及計算方式189 12.2迴圈神經網路進階191 12.2.1殘差迴圈神經網路191 12.2.2門控迴圈單元GRU192 12.2.3雙向迴圈神經網路193 12.2.4堆疊迴圈神經網路194 本章小結194 習題12195 參考文獻196 13自編碼器197 13.1自編碼器簡介197 13.1.1回顧：監督學習、半監督學習、無監督學習197 13.1.2生成模型與判別模型198 13.1.3自編碼器的公式化表述199 13.1.4關於自編碼器的討論199 13.1.5常見的自編碼器變體200 13.2稀疏自編碼器201 13.2.1稀疏自編碼器結構201 13.2.2堆疊自編碼器結構203 13.2.3堆疊稀疏自編碼器206 13.3去噪自編碼器206 13.3.1原理介紹206 13.3.2訓練過程207 13.3.3堆疊去噪自編碼器208 13.3.4稀疏去噪自編碼器209 13.3.5流形學習角度看去噪自編碼器210 13.3.6小結211 13.4變分自編碼器211 13.4.1變分自編碼器的引出212 13.4.2變分自編碼器的推導212 13.4.3變分自編碼器的網路結構214 13.4.4變分自編碼器的實例214 13.4.5變分自編碼器的拓展216 13.4.6小結217 本章小結217 習題13217 參考文獻219 14集成學習221 14.1集成學習簡介221 14.1.1基本概念與模型結合策略221 14.1.2小結225 14.2集成學習：Bagging225 14.2.1演算法簡介225 14.2.2Bagging演算法的自助採樣226 14.2.3Bagging演算法的結合策略227 14.2.4偏差與方差分析230 14.3集成學習：Boosting233 14.3.1演算法簡介233 14.3.2AdaBoost234 14.3.3GBDT238 14.4應用實例240 14.4.1Bagging實例：Random Forest240 14.4.2Boosting實例：AdaBoost244 本章小結245 習題14246 參考文獻247 15案例分析249 15.1二手車交易價格預測249 15.1.1案例背景249 15.1.2數據概覽與評測標準249 15.1.3整體思路251 15.1.4數據分析與預處理251 15.1.5特徵工程與特徵篩選253 15.1.6平均值編碼253 15.1.7數據建模與融合255 15.1.8小結256 15.2糖尿病的血糖預測256 15.2.1背景介紹257 15.2.2數據獲取257 15.2.3數據預處理257 15.2.4演算法與實驗結果259 15.2.5小結263 15.3工業蒸汽量預測263 15.3.1數據集介紹263 15.3.2數據清洗與特徵工程263 15.3.3基本回歸模型訓練與分析264 15.3.4XGBoost模型訓練與結果分析266 15.3.5小結268 15.4雙盲降噪自編碼器實現降噪268 15.4.1軟測量任務需求268 15.4.2問題分析269 15.4.3去噪演算法概述270 15.4.4雙盲降噪自編碼器271 15.4.5DBDAE降噪與軟測量272 15.4.6小結276 15.5心率異常檢測276 15.5.1心電圖數據277 15.5.2基於殘差神經網路的心電診斷277 15.5.3基於知識+特徵工程的心電診斷279 15.5.4小結284 本章小結284 習題15284 參考文獻286
客服公告
热门活动
订阅电子报
