机器学习入门到实战-MATLAB 实践应用

目录

**部分机器学习概念篇

●第1章机器学习基础

1.1机器学习概述

1.1.1机器学习的概念

1.1.2机器学习的发展史

1.1.3机器学习的用途

1.1.4机器学习、数据挖掘及人工智能的关系

1.2机器学习基本术语

1.3机器学习任务及算法分类

1.4如何学习和运用机器学习

1.4.1软件平台的选择

1.4.2机器学习应用实现流程

1.5数据预处理

1.5.1数据初步选取

1.5.2数据清理

1.5.3数据集成

1.5.4数据变换

1.5.5数据归约

参考文献

第二部分MATLAB机器学习基础篇

●第2章MATLAB基础入门

2.1MATLAB界面介绍

2.2矩阵赋值与运算

2.3m文件及函数实现与调用

2.4基本流程控制语句

2.5基本绘图方法

2.5.1二维绘图函数的基本用法

2.5.2三维绘图函数的基本用法

2.5.3颜色与形状参数列表

2.5.4图形窗口分割与坐标轴

2.6数据文件导入与导出

参考文献

●第3章MATLAB机器学习工具箱

3.1工具箱简介

3.2分类学习器基本操作流程

3.3分类学习器算法优化与选择

3.3.1特征选择

3.3.2选择分类器算法

3.4工具箱分类学习实例

参考文献

第三部分机器学习算法与MATLAB实践篇

●第4章k近邻算法

4.1k近邻算法原理

4.1.1k近邻算法实例解释

4.1.2k近邻算法的特点

4.2基于k近邻算法的算法改进

4.2.1快速KNN算法

4.2.2kd树KNN算法

4.3k近邻算法的MATLAB实践

参考文献

●第5章决策树

5.1决策树算法原理

5.1.1决策树算法基本原理

5.1.2决策树算法的特点

5.1.3决策树剪枝

5.1.4分类决策树与回归决策树

5.2基于决策树算法的算法改进

5.2.1ID3决策树

5.2.2C4.5决策树

5.2.3分类回归树

5.2.4随机森林

5.3决策树算法MATLAB实践

参考文献

●第6章支持向量机

6.1支持向量机算法原理

6.1.1支持向量机概述

6.1.2支持向量机算法及推导

6.1.3支持向量机核函数

6.2改进的支持向量机算法

6.3支持向量机算法的MATLAB实践

参考文献

●第7章朴素贝叶斯

7.1贝叶斯定理

7.2朴素贝叶斯分类

7.3朴素贝叶斯实例分析

7.4朴素贝叶斯分类算法的改进

7.4.1半朴素贝叶斯分类模型

7.4.2树增强朴素贝叶斯分类模型

7.4.3贝叶斯网络

7.4.4朴素贝叶斯树

7.4.5属性加权朴素贝叶斯分类算法

7.5朴素贝叶斯算法MATLAB实践

参考文献

●第8章线性回归

8.1线性回归原理

8.1.1简单线性回归

8.1.2线性回归实例

8.2多元线性回归

8.3线性回归算法的MATLAB实践

参考文献

●第9章逻辑回归

9.1逻辑回归原理

9.1.1Sigmoid函数

9.1.2梯度下降法

9.2逻辑回归理论推导

9.2.1逻辑回归理论公式推导

9.2.2向量化

9.2.3逻辑回归算法的实现步骤

9.2.4逻辑回归的优缺点

9.3逻辑回归算法的改进

9.3.1逻辑回归的正则化

9.3.2主成分改进的逻辑回归方法

9.4逻辑回归的MATLAB实践

参考文献

●第10章神经网络

10.1神经网络算法原理

10.1.1神经网络工作原理

10.1.2神经网络的特点

10.1.3人工神经元模型

10.2前向神经网络

10.2.1感知器

10.2.2BP算法

10.3基于神经网络的算法拓展

10.3.1深度学习

10.3.2极限学习机

10.4神经网络的MATLAB实践

参考文献

●第11章AdaBoost算法

11.1集成学习方法简介

11.1.1集成学习方法分类

11.1.2集成学习Boosting算法

11.2AdaBoost算法原理

11.2.1AdaBoost算法思想

11.2.2AdaBoost算法理论推导

11.2.3AdaBoost算法的实现步骤

11.2.4AdaBoost算法的特点

11.2.5通过实例理解AdaBoost算法

11.3AdaBoost算法的改进

11.3.1RealAdaBoost算法

11.3.2GentleAdaBoost算法

11.3.3LogitBoost算法

11.4AdaBoost算法的MATLAB实践

参考文献

●第12章k均值算法

12.1k均值算法原理

12.1.1k均值算法基本原理

12.1.2k均值算法的实现步骤

12.1.3k均值算法实例

12.1.4k均值算法的特点

12.2基于kmeans算法的算法改进

12.2.1改善k值选取方式的kmeans改进算法

12.2.2改进初始聚类中心选择方式的kmeans改进算法

12.3kmeans算法的MATLAB实践

参考文献

●第13章期望*大化算法

13.1EM算法

13.1.1EM算法思想

13.1.2似然函数和极大似然估计

13.1.3Jensen不等式

13.1.4EM算法理论和公式推导

13.1.5EM算法的收敛速度

13.1.6EM算法的特点

13.2EM算法的改进

13.2.1Monte Carlo EM算法

13.2.2ECM算法

13.2.3ECME算法

13.3EM算法的MATLAB实践

参考文献

●第14章k中心点算法

14.1经典k中心点算法——PAM算法

14.1.1PAM算法原理

14.1.2PAM算法实例

14.1.3PAM算法的特点

14.2k中心点算法的改进

14.3k中心点算法的MATLAB实践

参考文献

●第15章关联规则挖掘的Apriori算法

15.1关联规则概述

15.1.1关联规则的基本概念

15.1.2关联规则的分类

15.2Apriori算法原理

15.3Apriori算法的改进

15.3.1基于分片的并行方法

15.3.2基于hash的方法

15.3.3基于采样的方法

15.3.4减少交易个数的方法

15.4Apriori算法的MATLAB实践

参考文献

●第16章高斯混合模型

16.1高斯混合模型原理

16.1.1单高斯模型

16.1.2高斯混合模型

16.1.3模型的建立

16.1.4模型参数的求解

16.2GMM算法的MATLAB实践

16.2.1生成一个高斯混合模型

16.2.2拟合GMM

16.2.3GMM聚类实例

16.3GMM的改进及MATLAB实践

16.3.1GMM的正则化

16.3.2GMM中k的选择问题

16.3.3GMM拟合的初始值选择问题

参考文献

●第17章DBSCAN算法

17.1DBSCAN算法原理

17.1.1DBSCAN算法的基本概念

17.1.2DBSCAN算法原理

17.1.3DBSCAN算法的实现步骤

17.1.4DBSCAN算法的优缺点

17.2DBSCAN算法的改进

17.2.1DPDGA算法

17.2.2并行DBSCAN算法

17.3DBSCAN算法的MATLAB实践

参考文献

●第18章策略迭代和值迭代

18.1基本概念

18.1.1强化学习的基本模型

18.1.2马尔可夫决策过程

18.1.3策略

18.1.4值函数

18.1.5贝尔曼方程

18.2策略迭代算法原理

18.3值迭代算法原理

18.4策略迭代和值迭代算法的MATLAB实践

参考文献

●第19章SARSA算法和Q学习算法

19.1SARSA算法原理

19.2SARSA算法的MATLAB实践

19.3Q学习算法原理

19.4Q学习算法的MATLAB实践

参考文献