目    录

第1章  机器学习基础 1

1.1  机器学习概述 1

1.1.1  “机器学习”是什么 1

1.1.2  机器学习的流程 1

1.1.3  机器学习的类型 2

1.1.4  典型的机器学习算法 2

1.2  机器学习的发展历程 2

1.2.1  早期阶段 3

1.2.2  发展期 3

1.2.3  繁荣期 3

1.2.4  机器学习的现状和发展趋势 3

1.3  机器学习的应用 4

1.3.1  数据挖掘 4

1.3.2  模式识别 4

1.3.3  互联网和电子商务 4

1.3.4  电子游戏 4

1.3.5  金融领域 4

1.4  MATLAB和机器学习 5

1.4.1  MATLAB软件 5

1.4.2  MATLAB在机器学习中的

应用案例 5

第2章  线性回归 6

2.1  最小二乘法 6

2.1.1  概述 6

2.1.2  一元线性回归案例与

MATLAB编程 6

2.1.3  多元线性回归案例 8

2.2  鲁棒线性回归 9

2.2.1  概述 9

2.2.2  robustfit函数的应用案例

与MATLAB编程 9

2.2.3  fitlm函数的应用案例

与MATLAB编程 11

2.3  逐步回归 12

2.3.1  概述 12

2.3.2  基于默认值的逐步回归案例 12

2.3.3  基于自己设置的标准值的

逐步回归案例与MATLAB

编程 13

2.4  岭回归 14

2.4.1  概述 14

2.4.2  岭回归案例 14

2.5  Lasso回归和弹性网回归 16

2.5.1  概述 16

2.5.2  Lasso回归案例与MATLAB

编程 16

2.5.3  弹性网回归案例与MATLAB

编程 17

2.6  逻辑回归 18

2.6.1  概述 18

2.6.2  逻辑回归预测案例

与MATLAB编程 18

2.6.3  逻辑回归分类案例

与MATLAB编程 20

第3章  非线性回归 24

3.1  多项式曲线拟合 24

3.1.1  概述 24

3.1.2  多项式曲线拟合案例

与MATLAB编程 24

3.2  典型函数曲线拟合 27

3.2.1  指数函数曲线拟合案例

与MATLAB编程 27

3.2.2  幂函数曲线拟合案例

与MATLAB编程 29

3.2.3  傅里叶函数曲线拟合案例

与MATLAB编程 30

3.2.4  高斯函数曲线拟合案例

与MATLAB编程 31

3.3  曲面拟合、插值和样条拟合 33

3.3.1  曲面拟合案例

与MATLAB编程 33

3.3.2  插值案例与MATLAB编程 34

3.3.3  样条拟合案例

与MATLAB编程 35

3.3.4  样条平滑化拟合案例

与MATLAB编程 36

第4章  分类和聚类 38

4.1  分类算法1——判别分析 38

4.1.1  概述 38

4.1.2  判别分析分类案例与

MATLAB编程 38

4.2  分类算法2——朴素贝叶斯法 40

4.2.1  概述 40

4.2.2  朴素贝叶斯法分类案例与

MATLAB编程 40

4.3  分类算法3——K最近邻算法 41

4.3.1  概述 41

4.3.2  K最近邻算法分类案例与

MATLAB编程 42

4.4  聚类算法1——K均值算法 43

4.4.1  概述 43

4.4.2  K均值算法聚类案例与

MATLAB编程 43

4.5  聚类算法2——高斯混合模型 49

4.5.1  概述 49

4.5.2  高斯混合模型聚类案例与

MATLAB编程 49

第5章  人工神经网络 55

5.1  人工神经网络在数据拟合中的应用 55

5.1.1  概述 55

5.1.2  人工神经网络拟合案例与

MATLAB编程 56

5.2  影响人工神经网络模型预测性能的

因素 60

5.2.1  隐含层的神经元数量 60

5.2.2  隐含层的层数 61

5.2.3  训练算法的类型 62

5.2.4  网络类型 63

5.3  人工神经网络在分类中的应用 66

5.3.1  概述 66

5.3.2  人工神经网络分类案例与

MATLAB编程 66

第6章  支持向量机 71

6.1  支持向量机在回归中的应用 71

6.1.1  概述 71

6.1.2  支持向量机回归案例与

MATLAB编程 72

6.2  预测性能的影响因素 74

6.2.1  高斯核函数 74

6.2.2  多项式核函数 75

6.3  定量影响分析 76

6.3.1  概述 76

6.3.2  定量影响分析案例与

MATLAB编程 76

6.4  支持向量机在分类中的应用 82

6.4.1  概述 82

6.4.2  支持向量机分类案例与

MATLAB编程 82

第7章  决策树 88

7.1  决策树的原理 88

7.1.1  决策树的构建方法 88

7.1.2  决策树的应用 89

7.1.3  决策树的剪枝 90

7.1.4  构建决策树的算法 90

7.2  决策树在分类中的应用 90

7.2.1  概述 90

7.2.2  决策树分类案例与

MATLAB编程 90

7.3  决策树在回归中的应用 94

7.3.1  概述 94

7.3.2  决策树回归案例与

MATLAB编程 95

第8章  模糊逻辑 102

8.1  模糊聚类 102

8.1.1  概述 102

8.1.2  模糊聚类案例与MATLAB

编程 102

8.2  模糊逻辑在时间序列预测中的

应用 107

8.2.1  概述 107

8.2.2  模糊逻辑的预测应用

案例与MATLAB编程 108

第9章  集成学习 115

9.1  集成学习在回归中的应用 115

9.1.1  fitrensemble函数 115

9.1.2  fitrensemble函数的回归应用

案例与MATLAB编程 115

9.1.3  TreeBagger函数 119

9.1.4  TreeBagger函数的回归应用

案例与MATLAB编程 119

9.2  集成学习在分类中的应用 123

9.2.1  fitcensemble函数 123

9.2.2  fitcensemble函数的分类应用

案例与MATLAB编程 123

9.2.3  TreeBagger函数 126

9.2.4  TreeBagger函数的分类应用

案例与MATLAB编程 126

第10章  半监督学习 130

10.1  基于图形法的半监督学习分类 130

10.1.1  概述 130

10.1.2  基于图形法的半监督学习

分类案例与MATLAB

编程 130

10.2  基于自训练法的半监督学习分类 138

10.2.1  概述 138

10.2.2  基于自训练法的半监督

学习分类案例与MATLAB

编程 138

第11章  强化学习 146

11.1  强化学习在机器人中的应用 146

11.1.1  概述 146

11.1.2  基于Q学习算法的强化

学习案例与MATLAB

编程 147

11.1.3  基于SARSA算法的强化

学习案例的MATLAB

编程 150

11.2  强化学习在自动驾驶中的应用 154

11.2.1  概述 154

11.2.2  基于Q学习算法的强化

学习案例与MATLAB

编程 154

11.2.3  基于SARSA算法的强化

学习案例与MATLAB

编程 158

第12章  关联规则学习 164

12.1  关联规则学习 164

12.1.1  什么是关联规则学习 164

12.1.2  来源——“啤酒和尿布”的

故事 164

12.1.3  应用领域 164

12.2  关联规则学习在购物中的应用 165

12.2.1  概述 165

12.2.2  关联规则学习在购物中的

应用案例与MATLAB

编程 165

12.3  关联规则学习在互联网内容

推送中的应用 173

12.3.1  概述 173

12.3.2  互联网内容推送案例与

MATLAB编程 173

第13章  深度学习 187

13.1  概述 187

13.1.1  什么是深度学习 187

13.1.2  应用 188

13.2  卷积神经网络 188

13.2.1  概述 188

13.2.2  CNN图像识别案例与

MATLAB编程 188

13.2.3  CNN回归分析案例与

MATLAB编程 199

13.3  长短期记忆神经网络 202

13.3.1  概述 202

13.3.2  LSTM回归案例与

MATLAB编程 202

13.3.3  LSTM时序预测案例与

MATLAB编程 204

第14章  机器阅读 208

14.1  机器信息统计 208

14.1.1  信息检索和提取案例与

MATLAB编程 208

14.1.2  词频统计案例与

MATLAB编程 210

14.2  文本的情感分析 211

14.2.1  概述 211

14.2.2  文本情感分析案例与

MATLAB编程 211

14.3  机器识别汉字 215

14.3.1  汉字和意义的数字化表征 215

14.3.2  建立映射关系 220

14.3.3  转化数字形式的结果为

图片 220

第15章  机器写作 225

15.1  基于记忆原理的机器写作 225

15.1.1  字词的数字化表征 225

15.1.2  记忆字词 226

15.1.3  回忆字词 227

15.1.4  机器写作 229

15.2  基于深度学习的机器写作 231

15.2.1  搜集训练样本 231

15.2.2  训练样本的数字化表征 231

15.2.3  记忆字词 232

15.2.4  回忆和写作 232

15.2.5  改变数字化表征方法 233

15.2.6  LSTM模型写作程序的

修改 234

15.3  影响LSTM模型写作质量的

因素 236

15.3.1  训练样本的次序 236

15.3.2  训练样本的频率 238

15.3.3  LSTM模型的训练次数 239

15.3.4  数字化表征方法和训练

次数的耦合影响 240