机器学习导论(高等学校电子信息类专业系列教材)

第1章机器学习概述

1.1什么是机器学习

1.2机器学习的分类

1.2.1基本分类

1.2.2监督学习及其功能分类

1.3构建机器学习系统

1.3.1机器学习的基本元素

1.3.2机器学习的一些基本概念

1.3.3机器学习模型的性能评估

1.4通过简单示例理解机器学习

1.4.1一个简单的回归示例

1.4.2一个简单的分类示例

1.5训练、验证与测试

1.6深度学习简介

1.7本章小结

习题

第2章统计与优化基础

2.1概率基础

2.1.1离散随机变量

2.1.2连续随机变量

2.1.3随机变量的基本特征

2.1.4随机特征的蒙特卡洛逼近

2.2概率实例

2.2.1离散随机变量示例

2.2.2高斯分布

2.2.3指数族

2.2.4混合高斯过程

2.2.5马尔可夫过程

2.3*大似然估计

2.4贝叶斯估计——*大后验估计

2.5随机变量的熵特征

2.5.1熵的定义和基本性质

2.5.2KL散度、互信息和负熵

2.6非参数方法

2.7优化技术概述

2.7.1基本优化算法

2.7.2拉格朗日方法

2.8本章小结

习题

第3章贝叶斯决策

3.1机器学习中的决策

3.2分类的决策

3.2.1加权错误率准则

3.2.2拒绝判决

3.3回归的决策

3.4高斯情况下的分类决策

3.4.1相同协方差矩阵情况的二分类

3.4.2不同协方差矩阵情况的二分类

3.4.3多分类情况

3.5KNN方法

*3.6概率图模型概述

3.6.1贝叶斯网络

3.6.2无向图模型

3.6.3图模型的学习与推断

3.7本章小结

习题

第4章基本回归算法

4.1线性回归

4.1.1基本线性回归

4.1.2线性回归的递推学习

4.1.3正则化线性回归

4.1.4多输出线性回归

*4.2稀疏线性回归Lasso

4.2.1Lasso的循环坐标下降算法

4.2.2Lasso的LAR算法

4.3线性基函数回归

*4.4奇异值分解

4.5回归学习的误差分解

4.6本章小结

习题

第5章基本分类学习

5.1基本分类问题

5.2线性判别函数模型

5.2.1Fisher线性判别分析

*5.2.2感知机

5.3逻辑回归

5.3.1二分类问题的逻辑回归

5.3.2多分类问题的逻辑回归

5.4朴素贝叶斯方法

*5.5机器学习理论简介

5.5.1假设空间有限时的泛化误差界

5.5.2假设空间无限时的泛化误差界

5.6本章小结

习题

第6章支持向量机与核函数方法

6.1线性支持向量机

6.1.1不等式约束的优化

6.1.2线性可分情况的SVM

6.1.3不可分情况的SVM

6.1.4合页损失函数

6.1.5SVM用于多分类问题

6.2非线性支持向量机

6.2.1SVM分类算法小结

*6.2.2SMO算法

6.3支持向量回归

*6.4核函数方法

6.5本章小结

习题

第7章决策树

7.1基本决策树算法

7.1.1决策树的基本结构

7.1.2信息增益和ID3算法

7.1.3信息增益率和C4.5算法

7.2CART算法

7.2.1分类树

7.2.2回归树

7.3决策树的一些实际问题

7.3.1连续数值变量

7.3.2正则化和剪枝技术

7.3.3缺失属性的训练样本问题

7.4本章小结

习题

第8章集成学习

8.1Bagging和随机森林

8.1.1自助采样和Bagging算法

8.1.2随机森林算法

8.2提升和AdaBoost算法

8.2.1AdaBoost算法介绍

*8.2.2AdaBoost算法分析

8.3提升树算法

8.3.1加法模型和提升树

8.3.2梯度提升树

8.4本章小结

习题

第9章神经网络与深度学习之一： 基础

9.1神经网络的基本结构

9.1.1神经元结构

9.1.2多层神经网络解决异或问题

9.1.3多层感知机

9.1.4神经网络的逼近定理

9.2神经网络的目标函数和优化

9.2.1神经网络的目标函数

9.2.2神经网络的优化

9.3误差反向传播算法

9.3.1反向传播算法的推导

9.3.2反向传播算法的向量形式

9.3.3反向传播算法的扩展

9.4神经网络学习中的一些问题

9.4.1初始化

9.4.2正则化

9.4.3几类等价正则化技术

9.5本章小结

习题

第10章神经网络与深度学习之二： 结构

10.1卷积神经网络

10.1.1卷积运算及其物理意义

10.1.2基本CNN的结构

10.1.3CNN的参数学习

*10.1.4卷积的一些扩展结构

*10.1.5CNN示例介绍

10.2循环神经网络

10.2.1基本RNN

10.2.2RNN的计算和训练

*10.2.3长短期记忆模型

*10.2.4门控循环单元

10.3本章小结

习题

第11章神经网络与深度学习之三： 技术和应用

11.1深度学习中的优化算法

11.1.1小批量SGD算法

11.1.2动量SGD算法

11.1.3自适应学习率算法

11.2深度学习训练的正则化技术

11.2.1Dropout技术

11.2.2批归一化

*11.2.3层归一化

*11.3对抗训练

*11.4自编码器

11.4.1自编码器的基本结构

11.4.2自编码器的一些扩展

*11.5生成对抗网络

*11.6注意力机制和Transformer

11.6.1注意力机制

11.6.2序列到序列模型

11.6.3Transformer

11.7本章小结

第12章聚类和EM算法

12.1聚类算法

12.1.1K均值聚类算法

12.1.2DBSCAN聚类算法

12.1.3其他度量和聚类算法

12.2EM算法

12.2.1EM算法的隐变量形式

12.2.2独立同分布情况

*12.2.3EM算法扩展到MAP估计

*12.2.4通过KL散度对EM算法的解释

12.3基于EM算法的高斯混合模型参数估计

12.3.1GMM参数估计

12.3.2GMM的软聚类

12.4本章小结

习题

第13章降维和连续隐变量学习

13.1主分量分析

13.1.1主分量分析原理

13.1.2广义Hebb算法

*13.2样本向量的白化和正交化

13.2.1样本向量的白化

13.2.2向量集的正交化

*13.3独立分量分析

13.3.1独立分量分析的原理和目标函数

13.3.2不动点算法FastICA

13.3.3自然梯度算法

13.3.4仿真实验举例

13.4本章小结

习题

第14章强化学习之一： 经典方法

14.1强化学习的基本问题

14.2马尔可夫决策过程

14.2.1MDP的定义

14.2.2贝尔曼方程

14.2.3*优策略

14.2.4强化学习的类型

14.2.5探索与利用

14.3动态规划

14.3.1策略迭代方法

14.3.2值函数迭代方法

14.4强化学习的蒙特卡洛方法

14.4.1MC部分策略评估

14.4.2MC策略改进

14.4.3在轨策略和离轨策略

14.5强化学习的时序差分方法

14.5.1基本时序差分学习和Sarsa算法

14.5.2离轨策略和Q学习

14.5.3DP、MC和TD算法的简单比较

*14.5.4多步时序差分学习和资格迹算法

*14.6多臂赌博机

14.7本章小结

习题

第15章强化学习之二： 深度强化学习

15.1强化学习的值函数逼近

15.1.1基本线性值函数逼近

*15.1.2线性值函数逼近的*小二乘策略迭代算法

15.1.3深度Q网络

15.2策略梯度方法

15.2.1MC策略梯度算法Reinforce

15.2.2行动器评判器方法

*15.3连续动作确定性策略梯度方法

15.3.1DPG算法

15.3.2DDPG算法

15.3.3连续动作DRL的一些进展概述

15.4本章小结

习题

附录A课程的实践型作业实例

A.1第1次实践作业

A.2第2次实践作业

A.3第3次实践作业

附录B函数对向量和矩阵的求导

术语表

参考文献