机器学习基础教程  姚舜才 高等学校人工智能教育丛书

    近年来，人工智能（AI）的发展如火如荼，在很多领域都显示了强大的生命力。机器学习算法作为人工智能的核心也受到了广泛的重视。鉴于此，普及机器学习的基本知识，让更多的人特别是青年学生深入了解机器学习，进而在工作中将机器学习的理论和方法进行有效应用，就成为一项很重要的工作。

    本书以逻辑清晰、突出重点、简洁明了、方便接受、好学好懂为原则，尽量用较为平实的语言对机器学习的方法进行描述，以便于理解。在此基础上再渐次加深难度，逐步引领读者步入机器学习的殿堂。

    本书特点：非人工智能专业教材

    本书以典型和常见的机器学习算法为例进行介绍，全书内容共分八章。
    机器学习所涉及的必要的数学知识
    机器学习的基本模式和任务
    神经网络的基本理论及算法结构
    分类与聚类学习算法
    数据维度归约的基本方法
    图理论及方法以及当前比较流行的机器学习理论和算法。
    本书在加深学生对经典机器学习方法理解的基础上适当扩展其视野，以培养和提高其解决实际问题的能力。

    入门级，重基础与基本概念

    本书可作为高等学校人工智能相关专业的教材，也适合该领域的工程技术人员参考使用。

    目  录

第一章  绪论              1
  1.1  机器学习发展简史与概况              2
  1.2  机器学习的研究与应用现状              5
  1.3  机器学习的相关问题              9
  1.4  机器学习的发展前景              12

第二章  机器学习的数学基础              14
  2.1  线性代数与矩阵分析基础              14
    2.1.1  线性空间基础              14
    2.1.2  范数              16
    2.1.3  矩阵运算及其分解              18
  2.2  概率与统计基础              21
    2.2.1  概率分布              22
    2.2.2  数字特征              31
    2.2.3  估计理论基础              35
    2.2.4  贝叶斯理论基础              39
  2.3  优化理论基础              41
    2.3.1  无约束最优化              41
    2.3.2  带有约束条件的最优化              42
  复习思考题              43

第三章  机器学习基本知识              44
  3.1  机器学习的建模问题              44
    3.1.1  线性拟合（回归）及建模问题              44
    3.1.2  非线性拟合（回归）及建模问题              50
  3.2  机器学习模式概述              54
    3.2.1  有监督学习模式              55
    3.2.2  无监督学习模式              60
  复习思考题              66

第四章  神经网络学习算法              67
  4.1  神经网络概述              67
  4.2  典型前馈型神经网络              73
    4.2.1  前馈型（BP）神经网络基本运行模式              76
    4.2.2  前馈型（BP）神经网络的相关问题              80
  4.3  典型反馈型神经网络              83
    4.3.1  反馈型神经网络基本运行模式              83
    4.3.2  反馈型神经网络的相关问题              87
  4.4  其他典型神经网络              91
    4.4.1  径向基神经网络              91
    4.4.2  自组织竞争神经网络              96
    4.4.3  小脑模型神经网络              102
    4.4.4  卷积神经网络              105
  复习思考题              109

第五章  分类与聚类学习算法              110
  5.1  分类学习算法              110
    5.1.1  线性分类算法              111
    5.1.2  非线性分类算法              120
    5.1.3  核方法与支持向量机              128
  5.2  聚类学习算法              134
    5.2.1  K均值聚类算法              135
    5.2.2  其他聚类算法              138
  复习思考题              139

第六章  数据维度归约方法              140
  6.1  单类数据降维              140
    6.1.1  主成分分析              140
    6.1.2  因子分析              148
    6.1.3  相关分析              157
  6.2  非线性降维算法简介              161
    6.2.1  等距映射              162
    6.2.2  拉普拉斯特征映射              163
    6.2.3  局部线性嵌入              166
  6.3  多类数据特征选择与提取              167
  复习思考题              170

第七章  图方法              171
  7.1  贝叶斯网络              171
    7.1.1  贝叶斯网络理论              171
    7.1.2  贝叶斯网络推理              173
  7.2  决策树理论              176
    7.2.1  定义与结构              176
    7.2.2  特征选择准则              177
    7.2.3  “过拟合”问题              179
    7.2.4  连续值处理              180
    7.2.5  决策树生成              180
    7.2.6  算法实例              181
  7.3  马尔可夫网络              189
  复习思考题              191

第八章  其他典型机器学习方法概述              192
  8.1  隐含马尔可夫模型              192
  8.2  蒙特卡洛方法              196
  8.3  组合多学习器              201
  8.4  近似推断              206
  8.5  增强学习方法              210
  8.6  深度学习方法概述              214
  8.7  深度学习方法应用举例              221

  复习思考题              229
参考文献              230

    人工智能前沿技术丛书《遥感影像深度学习智能解译与识别》
    人工智能教育丛书  《深 度 学 习》
    人工智能前沿技术丛书《 模式识别》
    人工智能前沿技术丛书《 量子计算智能》
    人工智能前沿技术丛书《计算智能导论》
    人工智能前沿技术丛书《简明人工智能》

    扫描左侧二维码关注此公众号，将在第一时间得到西安电子科技大学出版社新书信息。
    欢迎高校教师申领样书，并相互转告。申请样书请加微信留言。
    电话：13609194145
    微信：13609194145
    邮箱：328042425@qq.com



    来源：西安电子科技大学出版社