序
前言
致謝
部分　簡　　介
第1章　人工智能和機(jī)器學(xué)習(xí)簡介2
1.1　引言2
1.2　什么是人工智能2
1.3　什么是機(jī)器學(xué)習(xí)3
1.4　本書的結(jié)構(gòu)3
1.4.1　簡介4
1.4.2　機(jī)器學(xué)習(xí)4
1.4.3　構(gòu)建端到端管道4
1.4.4　人工智能4
1.4.5　實(shí)現(xiàn)5
1.4.6　結(jié)語5
第2章　人工智能和機(jī)器學(xué)習(xí)的基本概念6
2.1　引言6
2.2　大數(shù)據(jù)和非大數(shù)據(jù)6
2.2.1　什么是大數(shù)據(jù)6
2.2.2　為什么我們應(yīng)該區(qū)別對待大數(shù)據(jù)6
2.3　學(xué)習(xí)類型7
2.3.1　監(jiān)督學(xué)習(xí)7
2.3.2　無監(jiān)督學(xué)習(xí)7
2.3.3　強(qiáng)化學(xué)習(xí)8
2.4　基于時間的機(jī)器學(xué)習(xí)方法8
2.4.1　靜態(tài)學(xué)習(xí)8
2.4.2　動態(tài)學(xué)習(xí)8
2.5　維數(shù)8
2.6　線性和非線性10
2.7　奧卡姆剃刀原理12
2.8　沒有免費(fèi)的午餐定理14
2.9　收益遞減規(guī)律14
2.10　機(jī)器學(xué)習(xí)的早期趨勢14
2.11　小結(jié)15
第3章　數(shù)據(jù)的理解、表示和可視化16
3.1　引言16
3.2　理解數(shù)據(jù)16
3.2.1　理解實(shí)體17
3.2.2　理解屬性17
3.2.3　理解數(shù)據(jù)類型18
3.3　數(shù)據(jù)的表示和可視化19
3.3.1　主成分分析19
3.3.2　線性判別分析21
3.4　小結(jié)22
第二部分　機(jī) 器 學(xué) 習(xí)
第4章　線性方法26
4.1　引言26
4.2　線性模型和廣義線性模型27
4.3　線性回歸27
4.3.1　定義問題27
4.3.2　解決問題27
4.4　正則化的線性回歸28
4.4.1　正則化28
4.4.2　嶺回歸29
4.4.3　Lasso回歸29
4.5　廣義線性模型30
4.6　k近鄰算法30
4.6.1　KNN的定義31
4.6.2　分類和回歸32
4.6.3　KNN的其他變體32
4.7　小結(jié)32
第5章　感知器和神經(jīng)網(wǎng)絡(luò)34
5.1　引言34
5.2　感知器34
5.3　多層感知器或人工神經(jīng)網(wǎng)絡(luò)35
5.3.1　前饋操作35
5.3.2　非線性多層感知器或非線性人工神經(jīng)網(wǎng)絡(luò)36
5.3.3　訓(xùn)練多層感知器36
5.3.4　隱藏層38
5.4　徑向基函數(shù)網(wǎng)絡(luò)38
5.5　過度擬合與正則化40
5.5.1　L1和L2正則化40
5.5.2　丟棄正則化41
5.6　小結(jié)41
第6章　決策樹42
6.1　引言42
6.2　為什么使用決策樹43
6.3　構(gòu)建決策樹的算法43
6.4　回歸樹44
6.5　分類樹45
6.6　決策指標(biāo)45
6.6.1　誤分類誤差46
6.6.2　基尼指數(shù)46
6.6.3　交叉熵或偏差46
6.7　卡方自動交叉檢驗(yàn)47
6.8　訓(xùn)練決策樹47
6.9　集成決策樹48
6.10　Bagging集成樹48
6.11　隨機(jī)森林49
6.12　Boosted集成樹49
6.12.1　AdaBoost50
6.12.2　梯度提升50
6.13　小結(jié)50
第7章　支持向量機(jī)51
7.1　引言51
7.2　動機(jī)和范圍51
7.2.1　擴(kuò)展到多元分類51
7.2.2　非線性情況的擴(kuò)展53
7.3　支持向量機(jī)理論53
7.4　可分離性和間隔54
7.4.1　正則化和軟間隔SVM54
7.4.2　松弛變量的使用54
7.5　非線性與核函數(shù)的使用55
7.5.1　徑向基函數(shù)55
7.5.2　多項(xiàng)式函數(shù)56
7.5.3　Sigmoid56
7.6　風(fēng)險小化56
7.7　小結(jié)56
第8章　概率模型57
8.1　引言57
8.2　判別模型58
8.2.1　似然估計58
8.2.2　貝葉斯方法58
8.2.3　似然估計和貝葉斯方法的比較59
8.3　生成模型61
8.3.1　混合方法62
8.3.2　貝葉斯網(wǎng)絡(luò)62
8.4　一些有用的概率分布62
8.4.1　正態(tài)分布或高斯分布63
8.4.2　伯努利分布64
8.4.3　二項(xiàng)分布65
8.4.4　伽馬分布66
8.4.5　泊松分布67
8.5　小結(jié)70
第9章　動態(tài)規(guī)劃和強(qiáng)化學(xué)習(xí)71
9.1　引言71
9.2　動態(tài)規(guī)劃的基本方程71
9.3　動態(tài)規(guī)劃下的問題類別72
9.4　強(qiáng)化學(xué)習(xí)73
9.4.1　強(qiáng)化學(xué)習(xí)的特點(diǎn)73
9.4.2　框架和算法73
9.5　探索和開發(fā)74
9.6　強(qiáng)化學(xué)習(xí)應(yīng)用示例75
9.7　強(qiáng)化學(xué)習(xí)理論76
9.8　小結(jié)77
第10章　演化算法78
10.1　引言78
10.2　傳統(tǒng)方法的瓶頸78
10.3　達(dá)爾文的進(jìn)化論80
10.4　遺傳規(guī)劃80
10.5　群體智能82
10.6　蟻群優(yōu)化83
10.7　模擬退火84
10.8　小結(jié)84
第11章　時間序列模型85
11.1　引言85
11.2　平穩(wěn)性85
11.3　自回歸和移動平均模型87
11.3.1　自回歸過程87
11.3.2　移動平均過程88
11.3.3　自回歸移動平均過程88
11.4　差分自回歸移動平均模型88
11.5　隱馬爾可夫模型89
11.6　條件隨機(jī)場91
11.7　小結(jié)92
第12章　深度學(xué)習(xí)93
12.1　引言93
12.2　現(xiàn)代深度學(xué)習(xí)的起源94
12.3　卷積神經(jīng)網(wǎng)絡(luò)95
12.3.1　一維卷積95
12.3.2　二維卷積95
12.3.3　CNN的架構(gòu)96
12.3.4　訓(xùn)練CNN98
12.4　循環(huán)神經(jīng)網(wǎng)絡(luò)98
12.4.1　RNN的局限性 99
12