机器学习原理与实践(微课版)

第1章引言1

1.1机器学习简史2

1.2什么是机器学习2

1.3机器学习的应用3

1.4机器学习方法的实现4

1.4.1机器学习与Python4

1.4.2NumPy库5

1.4.3Matplotlib库6

1.5本章实验分析8

1.6本章小结9

1.7思考与练习10

第2章监督学习11

2.1线性回归12

2.1.1线性回归的数学模型12

2.1.2线性回归的训练过程16

2.1.3梯度下降法21

2.1.4线性回归的实现与性能评估26

2.1.5线性回归实践28

2.1.6特征缩放31

2.1.7多输出线性回归34

2.2逻辑回归38

2.2.1二分类与逻辑回归39

2.2.2逻辑回归的训练问题43

2.2.3逻辑回归的代价函数46

2.2.4分类任务的性能指标51

2.2.5逻辑回归实践55

2.3支持向量机55

2.3.1支持向量机及其训练问题56

2.3.2支持向量机训练问题初步求解58

2.3.3核技巧59

2.3.4软间隔支持向量机62

2.3.5支持向量机实践63

2.3.6过拟合与欠拟合64

2.4k近邻68

2.4.1k近邻分类69

2.4.2多分类任务的性能指标71

2.5朴素贝叶斯73

2.5.1朴素贝叶斯分类器74

2.5.2朴素贝叶斯分类器进阶76

2.5.3朴素贝叶斯实践78

2.6神经网络79

2.6.1多分类逻辑回归79

2.6.2多分类逻辑回归的训练82

2.6.3二分类神经网络85

2.6.4二分类神经网络的分类90

2.6.5二分类神经网络的训练93

2.6.6多分类神经网络98

2.6.7多分类神经网络的训练100

2.7本章实验分析103

2.8本章小结111

2.9思考与练习112

〖3〗机器学习原理与实践（微课版）目录〖3〗第3章无监督学习114

3.1k均值114

3.1.1k均值聚类114

3.1.2k值与轮廓系数117

3.1.3k均值实践118

3.2主成分分析119

3.2.1主成分分析降维120

3.2.2主成分分析实践124

3.3自编码器125

3.3.1什么是自编码器126

3.3.2自编码器的训练与降维127

3.3.3自编码器实践131

3.4本章实验分析133

3.5本章小结136

3.6思考与练习137

第4章强化学习139

4.1多老虎机问题140

4.1.1多老虎机问题及初步实践140

4.1.2ε贪婪方法143

4.1.3强化学习的要素143

4.2马尔可夫决策过程145

4.2.1什么是马尔可夫决策过程146

4.2.2收益与*优策略148

4.2.3贝尔曼*优性方程150

4.2.4求解贝尔曼*优性方程154

4.2.5马尔可夫决策过程实践156

4.3Q学习160

4.3.1什么是Q学习160

4.3.2Q学习实践164

4.4本章实验分析165

4.5本章小结168

4.6思考与练习168

参考文献170

附录A实验参考程序及注释171