机器学习入门：数学原理解析及算法实践-历史文化-社会科学-太极之巅书单号

书刊介绍

《机器学习入门：数学原理解析及算法实践》内容简介

本书面向初学者，介绍了机器学习的基本方法，循序渐进的阐述了其中的数学原理，让读者能够知其然，然后知其所以然。书中结合应用场景，列举了大量编程实例帮助读者开展动手实践，理论与实践相辅相成，对算法原理产生更加直观和感性的认识。作者希望能够通过本书帮助读者揭开人工智能领域的神秘面纱，走进人工智能和机器学习的大门，了解其中的奥秘，甚至成为该领域的学习者、研究者和实践者。
董政编著。

作品目录

序言
前言
第一部分
第1章专家系统
1.1、早期的专家系统
1.2、正向推理
1.3、逆向推理
1.4、谓词逻辑
1.5、专家系统的贡献和困难
1.6、动手实践
参考文献
第2章决策树
2.1、分类问题
2.2、构造决策树
2.3、ID3算法
2.4、信息熵
2.5、基尼不纯度
2.6、动手实践
参考文献
第3章神经元和感知机
3.1、生物神经元
3.2、早期感知机模型
3.3、现代的模型
3.4、学习模型参数
3.5、动手实践
参考文献
第4章线性回归
4.1、线性回归概述
4.2、最小二乘法
4.3、矩阵形式
4.4、一般性的回归问题
4.5、动手实践
第5章逻辑斯蒂回归和分类器
5.1、分类问题
5.2、最大似然估计
5.3、交叉熵损失函数
5.4、多类别分类
5.5、分类器的决策边界
5.6、支持向量机
5.7、动手实践
参考文献
第二部分
第6章人工神经网络
6.1、异或问题和多层感知机
6.2、反向传播算法
6.3、深度神经网络
6.4、卷积和池化
6.5、循环神经网络
6.6、使用PyTorch软件包
6.7、动手实践
6.8、物体检测
参考文献
第7章集成学习
7.1、随机森林
7.2、自适应增强算法AdaBoost
7.3、梯度提升算法
7.4、偏差和方差
7.5、动手实践
参考文献
第8章聚类分析
8.1、有监督学习和无监督学习
8.2、K均值聚类
8.3、距离的度量
8.4、期望最大化算法
8.5、高斯混合模型
8.6、DBSCAN算法
8.7、SOM神经网络
8.8、动手实践
参考文献
第9章强化学习
9.1、马尔可夫决策过程
9.2、值函数
9.3、蒙特卡洛法
9.4、时间差分法
9.5、深度值网络DQN
9.6、动手实践
参考文献
第10章自然语言处理
10.1、隐马尔可夫模型
10.2、维特比算法
10.3、词向量的表示方法
10.4、循环神经网络
10.5、动手实践
参考文献