第 1章 機(jī)器學(xué)習(xí)概述 1 1.1 機(jī)器學(xué)習(xí)簡介 1 1.1.1 機(jī)器學(xué)習(xí)簡史 1 1.1.2 機(jī)器學(xué)習(xí)主要流派 3 1.2 機(jī)器學(xué)習(xí)、人工智能和數(shù)據(jù)挖掘 4 1.2.1 什么是人工智能 4 1.2.2 什么是數(shù)據(jù)挖掘 5 1.2.3 機(jī)器學(xué)習(xí)、人工智能與數(shù)據(jù)挖掘的關(guān)系 6 1.3 典型機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域 6 1.4 機(jī)器學(xué)習(xí)算法 12 1.5 機(jī)器學(xué)習(xí)的一般流程 18 習(xí)題 19 第 2章 機(jī)器學(xué)習(xí)基本方法 20 2.1 統(tǒng)計(jì)分析 20 2.1.1 統(tǒng)計(jì)基礎(chǔ) 20 2.1.2 常見概率分布 25 2.1.3 參數(shù)估計(jì) 26 2.1.4 假設(shè)檢驗(yàn) 28 2.1.5 線性回歸 28 2.1.6 邏輯回歸 32 2.1.7 判別分析 33 2.1.8 非線性模型 35 2.2 高維數(shù)據(jù)降維 35 2.2.1 主成分分析 35 2.2.2 奇異值分解 38 2.2.3 線性判別分析 39 2.2.4 局部線性嵌入 42 2.2.5 拉普拉斯特征映射 43 2.3 特征工程 44 2.3.1特征構(gòu)造 44 2.3.2特征選擇 45 2.3.3特征提取 46 2.4 模型訓(xùn)練 46 2.4.1 模型訓(xùn)練常見術(shù)語 46 2.4.2 訓(xùn)練數(shù)據(jù)收集 47 2.5 可視化分析 47 2.5.1 可視化分析的作用 48 2.5.2 可視化的基本流程 48 2.5.3 可視化分析方法 48 2.5.4 可視化分析常用工具 50 2.5.5 常見的可視化圖表 51 2.5.6 可視化分析面臨的挑戰(zhàn) 61 習(xí)題 61 第3章 決策樹與分類算法 63 3.1 決策樹算法 63 3.1.1 分支處理 65 3.1.2 連續(xù)屬性離散化 70 3.1.3 過擬合問題 72 3.1.4 分類效果評價(jià) 75 3.2 集成學(xué)習(xí) 79 3.2.1 裝袋法 79 3.2.2 提升法 80 3.2.3 GBDT 81 3.2.4 XGBoost算法 82 3.2.5 隨機(jī)森林 86 3.3 決策樹應(yīng)用 88 習(xí)題 90 第4章 聚類分析 92 4.1 聚類分析概念 92 4.1.1 聚類方法分類 92 4.1.2 良好聚類算法的特征 93 4.2 聚類分析的度量 94 4.2.1 外部指標(biāo) 94 4.2.2 內(nèi)部指標(biāo) 95 4.3 基于劃分的聚類 96 4.3.1 k-均值算法 97 4.3.2 k-medoids算法 101 4.3.3 k-prototype算法 102 4.4 基于密度的聚類 102 4.4.1 DBSCAN算法 102 4.4.2 OPTICS算法 105 4.4.3 DENCLUE算法 105 4.5 基于層次的聚類 107 4.5.1 BIRCH聚類 108 4.5.2 CURE算法 110 4.6 基于網(wǎng)格的聚類 112 4.7 基于模型的聚類 113 4.7.1 概率模型聚類 113 4.7.2 模糊聚類 118 4.7.3 Kohonen神經(jīng)網(wǎng)絡(luò)聚類 118 習(xí)題 123 第5章 文本分析 124 5.1 文本分析介紹 124 5.2 文本特征提取及表示 125 5.2.1 TF-IDF 125 5.2.2 信息增益 125 5.2.3 互信息 126 5.2.4 卡方統(tǒng)計(jì)量 127 5.2.5 詞嵌入 127 5.2.6 語言模型 128 5.2.7 向量空間模型 129 5.3 知識圖譜 131 5.3.1 知識圖譜相關(guān)概念 132 5.3.2 知識圖譜的存儲(chǔ) 132 5.3.3 知識圖譜挖掘與計(jì)算 133 5.3.4 知識圖譜的構(gòu)建過程 135 5.4 詞法分析 139 5.4.1 文本分詞 139 5.4.2 命名實(shí)體識別 142 5.4.3 詞義消歧 142 5.5 句法分析 143 5.6 語義分析 145 5.7 文本分析應(yīng)用 146 5.7.1 文本分類 146 5.7.2 信息抽取 148 5.7.3 問答系統(tǒng) 149 5.7.4 情感分析 150 5.7.5 自動(dòng)摘要 151 習(xí)題 152 第6章 神經(jīng)網(wǎng)絡(luò) 153 6.1 神經(jīng)網(wǎng)絡(luò)介紹 153 6.1.1 前饋神經(jīng)網(wǎng)絡(luò) 153 6.1.2 反饋神經(jīng)網(wǎng)絡(luò) 158 6.1.3 自組織神經(jīng)網(wǎng)絡(luò) 160 6.2 神經(jīng)網(wǎng)絡(luò)相關(guān)概念 161 6.2.1 激活函數(shù) 162 6.2.2 損失函數(shù) 171 6.2.3 學(xué)習(xí)率 175 6.2.4 過擬合與網(wǎng)絡(luò)正則化 179 6.2.5 預(yù)處理 181 6.2.6 訓(xùn)練方式 182 6.2.7 模型訓(xùn)練中的問題 182 6.2.8 神經(jīng)網(wǎng)絡(luò)效果評價(jià) 190 6.3 神經(jīng)網(wǎng)絡(luò)應(yīng)用 190 習(xí)題 195 第7章 貝葉斯網(wǎng)絡(luò) 196 7.1 貝葉斯理論概述 196 7.2 貝葉斯概率基礎(chǔ) 196 7.2.1 概率論 196 7.2.2 貝葉斯概率 197 7.3 樸素貝葉斯分類模型 198 7.4 貝葉斯網(wǎng)絡(luò)推理 201 7.5 貝葉斯網(wǎng)絡(luò)的應(yīng)用 206 7.5.1 中文分詞 206 7.5.2 機(jī)器翻譯 206 7.5.3 故障診斷 207 7.5.4 疾病診斷 207 習(xí)題 209 第8章 支持向量機(jī) 210 8.1 線性可分SVM 210 8.1.1 間隔與超平面 210 8.1.2 支持向量 210 8.1.3 對偶問題求解 212 8.1.4 軟間隔 213 8.2 非線性SVM 214 8.2.1 非線性SVM原理 214 8.2.2 常見核函數(shù) 214 8.3 支持向量機(jī)應(yīng)用 215 習(xí)題 219 第9章 分布式機(jī)器學(xué)習(xí) 220 9.1 分布式機(jī)器學(xué)習(xí)基礎(chǔ) 220 9.1.1 參數(shù)服務(wù)器 220 9.1.2 分布式并行計(jì)算類型 221 9.2 分布式機(jī)器學(xué)習(xí)框架 222 9.3 并行決策樹 227 9.4 并行k-均值算法 228 習(xí)題 230 第 10章 深度學(xué)習(xí)基礎(chǔ) 231 10.1 卷積神經(jīng)網(wǎng)絡(luò) 231 10.1.1 卷積神經(jīng)網(wǎng)絡(luò)簡介 232 10.1.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 232 10.1.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 241 10.1.4 常見卷積神經(jīng)網(wǎng)絡(luò) 243 10.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 268 10.2.1 RNN基本原理 269 10.2.2 長短期記憶網(wǎng)絡(luò) 276 10.2.3 門限循環(huán)單元 280 10.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)的其他改進(jìn) 281 10.3 深度學(xué)習(xí)流行框架 284 習(xí)題 285 第 11章 高級深度學(xué)習(xí) 286 11.1 高級循環(huán)神經(jīng)網(wǎng)絡(luò) 286 11.1.1詞嵌入 286 11.1.2自注意力模型 288 11.1.3多頭注意力機(jī)制 290 11.1.4 Transformer 291 11.1.5 BERT模型 294 11.2 無監(jiān)督式深度學(xué)習(xí) 295 11.2.1 深度信念網(wǎng)絡(luò) 295 11.2.2 自動(dòng)編碼器網(wǎng)絡(luò) 297 11.3 生成對抗網(wǎng)絡(luò) 299 11.3.1 生成對抗網(wǎng)絡(luò)基本原理 299 11.3.2 常見的生成對抗網(wǎng)絡(luò) 302 11.4 遷移學(xué)習(xí) 305 11.5 對偶學(xué)習(xí) 307 習(xí)題 308 第 12章 推薦系統(tǒng) 309 12.1 推薦系統(tǒng)基礎(chǔ) 309 12.1.1 推薦系統(tǒng)的應(yīng)用場景 309 12.1.2 相似度計(jì)算 310 12.2 推薦系統(tǒng)通用模型 312 12.2.1 推薦系統(tǒng)結(jié)構(gòu) 312 12.2.2 基于人口統(tǒng)計(jì)學(xué)的推薦 313 12.2.3 基于內(nèi)容的推薦 313 12.2.4 基于協(xié)同過濾的推薦算法 314 12.2.5 基于圖的模型 316 12.2.6 基于關(guān)聯(lián)規(guī)則的推薦 318 12.2.7 基于知識的推薦 323 12.2.8 基于標(biāo)簽的推薦 324 12.3 推薦系統(tǒng)評測 325 12.3.1 評測方法 325 12.3.2 評測指標(biāo) 326 12.4 推薦系統(tǒng)常見問題 330 12.5 推薦系統(tǒng)實(shí)例 333 12.6 深度學(xué)習(xí)在推薦系統(tǒng)中的應(yīng)用 340 習(xí)題 343 第 13章 強(qiáng)化學(xué)習(xí) 345 13.1 強(qiáng)化學(xué)習(xí)概況 345 13.2 強(qiáng)化學(xué)習(xí)基礎(chǔ) 346 13.2.1 馬爾可夫鏈 346 13.2.2 強(qiáng)化學(xué)習(xí)基本概念 346 13.2.3 強(qiáng)化學(xué)習(xí)的目標(biāo)函數(shù) 348 13.2.4 價(jià)值函數(shù) 349 13.3 強(qiáng)化學(xué)習(xí)基本算法 353 13.3.1 蒙特卡洛強(qiáng)化學(xué)習(xí) 353 13.3.2 時(shí)序差分算法 355 13.3.3 SARSA算法 355 13.3.4 Q-Learning算法 356 13.4 深度強(qiáng)化學(xué)習(xí) 361 13.4.1 DQN算法 361 13.4.2 運(yùn)動(dòng)員-裁判員算法 367 習(xí)題 373