目录

资源下载

第1章机器学习概述

1.1引例

1.1.1鸢尾花分类预测

1.1.2糖尿病风险预测

1.1.3中国城市聚类分析

1.1.4医院医疗质量评价

1.2机器学习基本概念

1.2.1数据驱动

1.2.2数据特征

1.2.3训练、验证和测试

1.2.4模型、策略及算法

1.2.5评估指标

1.3机器学习算法分类

1.3.1监督学习

1.3.2无监督学习

1.3.3半监督学习

1.3.4自监督学习

1.3.5迁移学习

1.3.6强化学习

1.4机器学习集成开发环境

1.4.1Anaconda+Spyder

1.4.2Anaconda+Jupyter Notebook

1.4.3PyCharm

1.4.4Visual Studio Code

1.5Sklearn简介

1.6数据预处理

习题

第2章K近邻算法

2.1找到近邻

2.2K近邻分类

2.3K近邻回归

2.4K近邻算法的优缺点及其改进

2.4.1K近邻算法的优缺点

2.4.2K近邻算法的改进

习题

第3章模型评估与选择

3.1评估方法

3.1.1留出法

3.1.2交叉验证法

3.1.3自助采样法

3.2性能度量

3.2.1回归的性能度量

3.2.2分类的性能度量

3.2.3聚类的性能度量

3.3比较检验

3.4偏差与方差

习题

第4章朴素贝叶斯

4.1引例

4.2条件概率与乘法公式

4.2.1条件概率

4.2.2乘法公式

4.3朴素贝叶斯分类

4.4拉普拉斯修正

4.5基于朴素贝叶斯的电能质量评价

习题

第5章线性回归及其改进

5.1引例

5.2线性回归

5.2.1线性回归原理

5.2.2线性回归实践

5.2.3非负线性回归

5.2.4多项式拟合

5.3岭回归、Lasso回归以及弹性网络回归

5.3.1岭回归

5.3.2Lasso回归

5.3.3弹性网络回归

5.4主成分分析与主成分回归

5.4.1主成分分析

5.4.2主成分回归

5.5偏最小二乘回归

5.6贝叶斯回归

5.6.1贝叶斯线性回归简介

5.6.2贝叶斯线性回归原理

5.6.3贝叶斯线性回归实践

5.7高斯过程回归

5.7.1核函数

5.7.2高斯过程回归的原理

5.7.3高斯过程回归的实现

习题

第6章逻辑回归

6.1样本联合分布函数

6.2极大似然估计

6.3逻辑回归原理

6.3.1基于极大似然原理推导逻辑回归

6.3.2基于信息熵推导逻辑回归

6.4逻辑回归的拓展

6.4.1逻辑回归的正则化

6.4.2多分类问题

6.5基于逻辑回归的信用卡欺诈检测

6.5.1类别不平衡问题

6.5.2欠采样

6.5.3过采样

6.5.4信用卡欺诈检测模型建立

习题

第7章神经网络

7.1神经网络简介

7.1.1神经网络发展

7.1.2神经网络分类

7.2多层感知机

7.2.1回归神经网络

7.2.2分类神经网络

7.3神经网络实践

7.3.1配电网设备风险评估

7.3.2手写数字识别

习题

第8章支持向量机

8.1支持向量机简介

8.2支持向量机分类

8.3支持向量机回归

8.4非线性支持向量机

习题

第9章决策树

9.1引例

9.2条件熵和信息增益

9.2.1条件熵

9.2.2信息增益

9.3ID3与C4.5决策树

9.3.1ID3决策树

9.3.2C4.5决策树

9.4分类与回归树

9.4.1分类树

9.4.2回归树

9.5决策树的实践

9.5.1基于决策树的葡萄酒分类预测

9.5.2基于决策树的空间曲面函数值预测

习题

第10章集成学习

10.1引例

10.2常见的集成学习方法

10.2.1装袋法

10.2.2Boosting

10.3随机森林与极端随机树

10.4梯度提升决策树

10.5极限梯度提升树

10.6轻量梯度提升树

10.7类别型特征梯度提升树

10.8组合策略

10.8.1平均法

10.8.2硬投票

10.8.3软投票

10.8.4学习法

习题

第11章特征选择与提取

11.1特征选择

11.1.1方差阈值法

11.1.2相关系数法

11.1.3互信息法

11.1.4基于树的特征选择

11.1.5递归特征消除

11.1.6基于正则化特征选择

11.2特征提取

11.2.1文本特征提取

11.2.2图像特征提取

11.2.3流形学习

习题

第12章K均值聚类

12.1聚类简介

12.1.1聚类算法分类

12.1.2聚类算法注意事项

12.2K均值聚类的原理与实践

12.2.1K均值聚类思想

12.2.2K均值聚类实例

12.3K均值聚类的优缺点

习题

第13章高斯混合模型

13.1高斯分布

13.1.1一维高斯分布

13.1.2多维高斯分布

13.2高斯混合模型的原理与实践

13.2.1高斯混合模型的原理

13.2.2高斯混合模型的求解

13.2.3高斯混合模型的实践

习题

第14章谱聚类

14.1图的基本概念

14.1.1邻接矩阵

14.1.2度矩阵

14.1.3拉普拉斯矩阵

14.2谱聚类的原理与实践

14.2.1构建邻接矩阵

14.2.2无向图切图

14.2.3RatioCut切图

14.2.4NCut切图

14.2.5谱聚类算法流程

14.2.6谱聚类算法实践

习题

第15章综合评价方法

15.1综合评价简介

15.2逼近理想解排序法

15.2.1指标正向化

15.2.2指标无量纲化

15.2.3确定正负理想解

15.2.4计算备选方案到理想解的距离

15.2.5计算备选方案得分

15.3指标权重计算方法

15.3.1变异系数法

15.3.2熵权法

15.3.3CRITIC法

习题

附录A向量与矩阵

A.1向量内积与范数

A.2矩阵分解

A.3矩阵范数

附录B最优化方法

B.1梯度下降法

B.2拉格朗日乘数法

参考文献