图书介绍
机器学习入门到实战 MATLAB实践应用PDF|Epub|txt|kindle电子书版本网盘下载
- 冷雨泉，张会文，张伟等著 著
- 出版社： 北京：清华大学出版社
- ISBN：9787302495147
- 出版时间：2019
- 标注页数：263页
- 文件大小：102MB
- 文件页数：285页
- 主题词：Matlab软件－应用－机器学习
PDF下载
下载说明
机器学习入门到实战 MATLAB实践应用PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第一部分 机器学习概念篇3
第1章 机器学习基础3
1.1 机器学习概述3
1.1.1 机器学习的概念3
1.1.2 机器学习的发展史4
1.1.3 机器学习的用途5
1.1.4 机器学习、数据挖掘及人工智能的关系5
1.2 机器学习基本术语6
1.3 机器学习任务及算法分类8
1.4 如何学习和运用机器学习9
1.4.1 软件平台的选择9
1.4.2 机器学习应用实现流程11
1.5 数据预处理12
1.5.1 数据初步选取13
1.5.2 数据清理13
1.5.3 数据集成13
1.5.4 数据变换14
1.5.5 数据归约15
参考文献15
第二部分 MATLAB机器学习基础篇19
第2章 MATLAB基础入门19
2.1 MATLAB界面介绍19
2.2 矩阵赋值与运算20
2.3 m文件及函数实现与调用23
2.4 基本流程控制语句24
2.5 基本绘图方法26
2.5.1 二维绘图函数的基本用法26
2.5.2 三维绘图函数的基本用法28
2.5.3 颜色与形状参数列表29
2.5.4 图形窗口分割与坐标轴30
2.6 数据文件导入与导出32
参考文献33
第3章 MATLAB机器学习工具箱34
3.1 工具箱简介34
3.2 分类学习器基本操作流程35
3.3 分类学习器算法优化与选择40
3.3.1 特征选择40
3.3.2 选择分类器算法41
3.4 工具箱分类学习实例42
参考文献49
第三部分 机器学习算法与MATLAB实践篇53
第4章 K近邻算法53
4.1 k近邻算法原理53
4.1.1 k近邻算法实例解释53
4.1.2 k近邻算法的特点54
4.2 基于k近邻算法的算法改进55
4.2.1 快速KNN算法56
4.2.2 k-d树KNN算法57
4.3 k近邻算法的MATLAB实践58
参考文献63
第5章 决策树64
5.1 决策树算法原理64
5.1.1 决策树算法基本原理64
5.1.2 决策树算法的特点66
5.1.3 决策树剪枝66
5.1.4 分类决策树与回归决策树68
5.2 基于决策树算法的算法改进69
5.2.1 ID3决策树69
5.2.2 C4.5 决策树70
5.2.3 分类回归树71
5.2.4 随机森林72
5.3 决策树算法MATLAB实践72
参考文献76
第6章 支持向量机77
6.1 支持向量机算法原理77
6.1.1 支持向量机概述77
6.1.2 支持向量机算法及推导78
6.1.3 支持向量机核函数85
6.2 改进的支持向量机算法86
6.3 支持向量机算法的MATLAB实践87
参考文献89
第7章 朴素贝叶斯90
7.1 贝叶斯定理90
7.2 朴素贝叶斯分类91
7.3 朴素贝叶斯实例分析93
7.4 朴素贝叶斯分类算法的改进94
7.4.1 半朴素贝叶斯分类模型95
7.4.2 树增强朴素贝叶斯分类模型96
7.4.3 贝叶斯网络98
7.4.4 朴素贝叶斯树100
7.4.5 属性加权朴素贝叶斯分类算法100
7.5 朴素贝叶斯算法MATLAB实践101
参考文献104
第8章 线性回归105
8.1 线性回归原理105
8.1.1 简单线性回归105
8.1.2 线性回归实例106
8.2 多元线性回归108
8.3 线性回归算法的MATLAB实践109
参考文献111
第9章 逻辑回归112
9.1 逻辑回归原理112
9.1.1 Sigmoid函数112
9.1.2 梯度下降法113
9.2 逻辑回归理论推导114
9.2.1 逻辑回归理论公式推导114
9.2.2 向量化116
9.2.3 逻辑回归算法的实现步骤117
9.2.4 逻辑回归的优缺点118
9.3 逻辑回归算法的改进118
9.3.1 逻辑回归的正则化118
9.3.2 主成分改进的逻辑回归方法119
9.4 逻辑回归的MATLAB实践119
参考文献126
第10章 神经网络127
10.1 神经网络算法原理127
10.1.1 神经网络工作原理127
10.1.2 神经网络的特点128
10.1.3 人工神经元模型129
10.2 前向神经网络131
10.2.1 感知器131
10.2.2 BP算法134
10.3 基于神经网络的算法拓展140
10.3.1 深度学习140
10.3.2 极限学习机141
10.4 神经网络的MATLAB实践143
参考文献146
第11章 AdaBoost算法147
11.1 集成学习方法简介147
11.1.1 集成学习方法分类147
11.1.2 集成学习Boosting算法148
11.2 AdaBoost算法原理149
11.2.1 AdaBoost算法思想149
11.2.2 AdaBoost算法理论推导150
11.2.3 AdaBoost算法的实现步骤152
11.2.4 AdaBoost算法的特点153
11.2.5 通过实例理解AdaBoost算法153
11.3 AdaBoost算法的改进154
11.3.1 RealAdaBoost算法154
11.3.2 GentleAdaBoost算法155
11.3.3 LogitBoost算法155
11.4 AdaBoost算法的MATLAB实践156
参考文献159
第12章 K均值算法160
12.1 k均值算法原理160
12.1.1 k均值算法基本原理160
12.1.2 k均值算法的实现步骤160
12.1.3 k均值算法实例161
12.1.4 k均值算法的特点164
12.2 基于k-means算法的算法改进164
12.2.1 改善k值选取方式的k-means改进算法164
12.2.2 改进初始聚类中心选择方式的k-means改进算法165
12.3 k-means算法的MATLAB实践167
参考文献169
第13章 期望最大化算法170
13.1 EM算法170
13.1.1 EM算法思想170
13.1.2 似然函数和极大似然估计171
13.1.3 Jensen不等式172
13.1.4 EM算法理论和公式推导172
13.1.5 EM算法的收敛速度174
13.1.6 EM算法的特点175
13.2 EM算法的改进175
13.2.1 Monte Carlo EM算法175
13.2.2 ECM算法176
13.2.3 ECME算法177
13.3 EM算法的MATLAB实践178
参考文献183
第14章 K中心点算法184
14.1 经典k中心点算法——PAM算法184
14.1.1 PAM算法原理184
14.1.2 PAM算法实例185
14.1.3 PAM算法的特点187
14.2 k中心点算法的改进188
14.3 k中心点算法的MATLAB实践188
参考文献190
第15章 关联规则挖掘的Apriori算法191
15.1 关联规则概述191
15.1.1 关联规则的基本概念191
15.1.2 关联规则的分类193
15.2 Apriori算法原理194
15.3 Apriori算法的改进195
15.3.1 基于分片的并行方法195
15.3.2 基于hash的方法196
15.3.3 基于采样的方法196
15.3.4 减少交易个数的方法196
15.4 Apriori算法的MATLAB实践196
参考文献200
第16章 高斯混合模型201
16.1 高斯混合模型原理201
16.1.1 单高斯模型201
16.1.2 高斯混合模型202
16.1.3 模型的建立204
16.1.4 模型参数的求解205
16.2 GMM算法的MATLAB实践206
16.2.1 生成一个高斯混合模型206
16.2.2 拟合GMM207
16.2.3 GMM聚类实例209
16.3 GMM的改进及MATLAB实践217
16.3.1 GMM的正则化217
16.3.2 GMM中k的选择问题219
16.3.3 GMM拟合的初始值选择问题221
参考文献224
第17章 DBSCAN算法225
17.1 DBSCAN算法原理225
17.1.1 DBSCAN算法的基本概念225
17.1.2 DBSCAN算法原理227
17.1.3 DBSCAN算法的实现步骤228
17.1.4 DBSCAN算法的优缺点228
17.2 DBSCAN算法的改进229
17.2.1 DPDGA算法229
17.2.2 并行DBSCAN算法229
17.3 DBSCAN算法的MATLAB实践230
参考文献235
第18章 策略迭代和值迭代236
18.1 基本概念237
18.1.1 强化学习的基本模型237
18.1.2 马尔可夫决策过程237
18.1.3 策略238
18.1.4 值函数238
18.1.5 贝尔曼方程239
18.2 策略迭代算法原理240
18.3 值迭代算法原理241
18.4 策略迭代和值迭代算法的MATLAB实践242
参考文献250
第19章 SARSA算法和Q学习算法251
19.1 SARSA算法原理251
19.2 SARSA算法的MATLAB实践253
19.3 Q学习算法原理259
19.4 Q学习算法的MATLAB实践260
参考文献263