了得網計算機/網絡_機器學習入門到實戰—

產品特色

編輯推薦

《機器學習入門與實戰——MATLAB實踐應用》的編寫是作者在多年機器學習及工作經驗的基礎上，對大量的網絡資源、論文和相關書籍進行總結、整理、分析而來。全書共分為三部分，分別為機器學習概念篇、MATLAB機器學習基礎篇、機器學習算法與MATLAB實踐篇。

內容簡介

本書主要介紹經典的機器學習算法的原理及改進，以及MATLAB的實例實現。本書內容分為三部分。*部分(第1章)是機器學習概念篇，介紹機器學習的相關概念，並且對機器學習的各類算法進行分類，以便讀者對機器學習的知識框架有一個整體的了解，從而在後續的學習中更容易接受機器學習涉及的各類算法。第二部分(第2章、第3章)是MATLAB機器學習基礎篇，介紹MATLAB的基本使用方法，以及MATLAB集成的機器學習工具箱。MATLAB易上手的特點讓使用者將更多的精力專注於算法開發與使用，而不是搭建算法實現開發平臺。第三部分(第4章~第19章)是機器學習算法與MATLAB實踐篇，對監督學習、無/非監督學習、強化學習三大類常用算法進行逐個講解，包括機器學習算法原理、算法優缺點、算法的實例解釋以及MATLAB的實踐應用。
本書適合以下讀者：對人工智能、機器學習感興趣的讀者；希望用機器學習完成設計的計算機或電子信息專業學生；準備開設機器學習、深度學習實踐課的授課老師；學習過C語言，且希望進一步提升編程水平的開發者；剛從事機器學習、語音、機器視覺、智能機器人研發的算法工程師。

目錄

部分機器學習概念篇

●第1章機器學習基礎

1.1機器學習概述

1.1.1機器學習的概念

1.1.2機器學習的發展史

目錄

部分機器學習概念篇

●第1章機器學習基礎

1.1機器學習概述

1.1.1機器學習的概念

1.1.2機器學習的發展史

1.1.3機器學習的用途

1.1.4機器學習、數據挖掘及人工智能的關繫

1.2機器學習基本術語

1.3機器學習任務及算法分類

1.4如何學習和運用機器學習

1.4.1軟件平臺的選擇

1.4.2機器學習應用實現流程

1.5數據預處理

1.5.1數據初步選取

1.5.2數據清理

1.5.3數據集成

1.5.4數據變換

1.5.5數據歸約

參考文獻

第二部分MATLAB機器學習基礎篇

●第2章MATLAB基礎入門

2.1MATLAB界面介紹

2.2矩陣賦值與運算

2.3m文件及函數實現與調用

2.4基本流程控制語句

2.5基本繪圖方法

2.5.1二維繪圖函數的基本用法

2.5.2三維繪圖函數的基本用法

2.5.3顏色與形狀參數列表

2.5.4圖形窗口分割與坐標軸

2.6數據文件導入與導出

參考文獻

●第3章MATLAB機器學習工具箱

3.1工具箱簡介

3.2分類學習器基本操作流程

3.3分類學習器算法優化與選擇

3.3.1特征選擇

3.3.2選擇分類器算法

3.4工具箱分類學習實例

參考文獻

第三部分機器學習算法與MATLAB實踐篇

●第4章k近鄰算法

4.1k近鄰算法原理

4.1.1k近鄰算法實例解釋

4.1.2k近鄰算法的特點

4.2基於k近鄰算法的算法改進

4.2.1快速KNN算法

4.2.2kd樹KNN算法

4.3k近鄰算法的MATLAB實踐

參考文獻

●第5章決策樹

5.1決策樹算法原理

5.1.1決策樹算法基本原理

5.1.2決策樹算法的特點

5.1.3決策樹剪枝

5.1.4分類決策樹與回歸決策樹

5.2基於決策樹算法的算法改進

5.2.1ID3決策樹

5.2.2C4.5決策樹

5.2.3分類回歸樹

5.2.4隨機森林

5.3決策樹算法MATLAB實踐

參考文獻

●第6章支持向量機

6.1支持向量機算法原理

6.1.1支持向量機概述

6.1.2支持向量機算法及推導

6.1.3支持向量機核函數

6.2改進的支持向量機算法

6.3支持向量機算法的MATLAB實踐

參考文獻

●第7章樸素貝葉斯

7.1貝葉斯定理

7.2樸素貝葉斯分類

7.3樸素貝葉斯實例分析

7.4樸素貝葉斯分類算法的改進

7.4.1半樸素貝葉斯分類模型

7.4.2樹增強樸素貝葉斯分類模型

7.4.3貝葉斯網絡

7.4.4樸素貝葉斯樹

7.4.5屬性加權樸素貝葉斯分類算法

7.5樸素貝葉斯算法MATLAB實踐

參考文獻

●第8章線性回歸

8.1線性回歸原理

8.1.1簡單線性回歸

8.1.2線性回歸實例

8線性回歸

8.3線性回歸算法的MATLAB實踐

參考文獻

●第9章邏輯回歸

9.1邏輯回歸原理

9.1.1Sigmoid函數

9.1.2梯度下降法

9.2邏輯回歸理論推導

9.2.1邏輯回歸理論公式推導

9.2.2向量化

9.2.3邏輯回歸算法的實現步驟

9.2.4邏輯回歸的優缺點

9.3邏輯回歸算法的改進

9.3.1邏輯回歸的正則化

9.3.2主成分改進的邏輯回歸方法

9.4邏輯回歸的MATLAB實踐

參考文獻

●第10章神經網絡

10.1神經網絡算法原理

10.1.1神經網絡工作原理

10.1.2神經網絡的特點

10.1.3人模型

10.2前向神經網絡

10.2.1感知器

10.2.2BP算法

10.3基於神經網絡的算法拓展

10.3.1深度學習

10.3.2極限學習機

10.4神經網絡的MATLAB實踐

參考文獻

●第11章AdaBoost算法

11.1集成學習方法簡介

11.1.1集成學習方法分類

11.1.2集成學習Boosting算法

11.2AdaBoost算法原理

11.2.1AdaBoost算法思想

11.2.2AdaBoost算法理論推導

11.2.3AdaBoost算法的實現步驟

11.2.4AdaBoost算法的特點

11.2.5通過實例理解AdaBoost算法

11.3AdaBoost算法的改進

11.3.1RealAdaBoost算法

11.3.2GentleAdaBoost算法

11.3.3LogitBoost算法

11.4AdaBoost算法的MATLAB實踐

參考文獻

●第12章k均值算法

12.1k均值算法原理

12.1.1k均值算法基本原理

12.1.2k均值算法的實現步驟

12.1.3k均值算法實例

12.1.4k均值算法的特點

12.2基於kmeans算法的算法改進

12.2.1改善k值選取方式的kmeans改進算法

12.2.2改進初始聚類中心選擇方式的kmeans改進算法

12.3kmeans算法的MATLAB實踐

參考文獻

●第13章期望化算法

13.1EM算法

13.1.1EM算法思想

13.1.2似然函數和極大似然估計

13.1.3Jensen不等式

13.1.4EM算法理論和公式推導

13.1.5EM算法的收斂速度

13.1.6EM算法的特點

13.2EM算法的改進

13.2.1Monte Carlo EM算法

13.2.2ECM算法

13.2.3ECME算法

13.3EM算法的MATLAB實踐

參考文獻

●第14章k中心點算法

14.1經典k中心點算法——PAM算法

14.1.1PAM算法原理

14.1.2PAM算法實例

14.1.3PAM算法的特點

14.2k中心點算法的改進

14.3k中心點算法的MATLAB實踐

參考文獻

●第15章關聯規則挖掘的Apriori算法

15.1關聯規則概述

15.1.1關聯規則的基本概念

15.1.2關聯規則的分類

15.2Apriori算法原理

15.3Apriori算法的改進

15.3.1基於分片的並行方法

15.3.2基於hash的方法

15.3.3基於采樣的方法

15.3.4減少交易個數的方法

15.4Apriori算法的MATLAB實踐

參考文獻

●第16章高斯混合模型

16.1高斯混合模型原理

16.1.1單高斯模型

16.1.2高斯混合模型

16.1.3模型的建立

16.1.4模型參數的求解

16.2GMM算法的MATLAB實踐

16.2.1生成一個高斯混合模型

16.2.2擬合GMM

16.2.3GMM聚類實例

16.3GMM的改進及MATLAB實踐

16.3.1GMM的正則化

16.3.2GMM中k的選擇問題

16.3.3GMM擬合的初始值選擇問題

參考文獻

●第17章DBSCAN算法

17.1DBSCAN算法原理

17.1.1DBSCAN算法的基本概念

17.1.2DBSCAN算法原理

17.1.3DBSCAN算法的實現步驟

17.1.4DBSCAN算法的優缺點

17.2DBSCAN算法的改進

17.2.1DPDGA算法

17.2.2並行DBSCAN算法

17.3DBSCAN算法的MATLAB實踐

參考文獻

●第18章策略迭代和值迭代

18.1基本概念

18.1.1強化學習的基本模型

18.1.2馬爾可夫決策過程

18.1.3策略

18.1.4值函數

18.1.5貝爾曼方程

18.2策略迭代算法原理

18.3值迭代算法原理

18.4策略迭代和值迭代算法的MATLAB實踐

參考文獻

●第19章SARSA算法和Q學習算法

19.1SARSA算法原理

19.2SARSA算法的MATLAB實踐

19.3Q學習算法原理

19.4Q學習算法的MATLAB實踐

參考文獻

前言

前言
近年來，隨著計算機技術及互聯網技術的發展，人工智能技術也取得了重要的突破。作為人工智能的核心技術，機器學習已經廣泛應用於各行各業中，如圖像識別、語言識別、文本分類、智能推薦、網絡安全等。未來，伴隨著信息技術的進一步發展，機器學習技術將會更加深入地應用到生產、生活的方方面面。
目前，機器學習技術正處於朝陽時期，對於從事機器學習的研究人員來說，應感到榮幸和驕傲，因為能夠在對的時間從事熱門的技術研究。對於有志於或有興趣從事機器學習的研究人員而言，首先應知道，現階段對這方面人纔的需求遠遠大於供給，同時，這一技術會伴隨著信息化技術一直發展下去。其次，在學習之初，不要被大量的數學公式嚇得退避三舍，而應明白，在大多數情況下，尤其是應用層面，機器學習僅是一種實現技術要求的工具，需要了解各類算法的優勢、劣勢及有效使用的方法，無須詳盡地了解各種機器學習算法的細枝末節。正如計算機內部運行機制極其復雜，大多數人每天都會使用，但卻無須了解CPU和內存在每一時刻的具體運行過程。

前言
近年來，隨著計算機技術及互聯網技術的發展，人工智能技術也取得了重要的突破。作為人工智能的核心技術，機器學習已經廣泛應用於各行各業中，如圖像識別、語言識別、文本分類、智能推薦、網絡安全等。未來，伴隨著信息技術的進一步發展，機器學習技術將會更加深入地應用到生產、生活的方方面面。
目前，機器學習技術正處於朝陽時期，對於從事機器學習的研究人員來說，應感到榮幸和驕傲，因為能夠在對的時間從事熱門的技術研究。對於有志於或有興趣從事機器學習的研究人員而言，首先應知道，現階段對這方面人纔的需求遠遠大於供給，同時，這一技術會伴隨著信息化技術一直發展下去。其次，在學習之初，不要被大量的數學公式嚇得退避三舍，而應明白，在大多數情況下，尤其是應用層面，機器學習僅是一種實現技術要求的工具，需要了解各類算法的優勢、劣勢及有效使用的方法，無須詳盡地了解各種機器學習算法的細枝末節。正如計算機內部運行機制極其復雜，大多數人每天都會使用，但卻無須了解CPU和內存在每一時刻的具體運行過程。
本書是作者在多年機器學習及工作經驗的基礎上，對大量的網絡資源、論文和相關書籍進行總結、整理、分析後編寫的。全書共分為三部分，分別為機器學習概念篇、MATLAB機器學習基礎篇、機器學習算法與MATLAB實踐篇。
本書各章內容簡介如下。
第1章主要介紹機器學習中的基本概念、術語等，機器學習算法分類框架，機器學習算法實現的基本流程，以及機器學習中數據預處理的基本方法。
第2章主要介紹MATLAB軟件的基本操作和使用方法，包括矩陣運算、m文件編寫、流程控制語句編寫、繪圖及文件的導入與導出。
第3章主要介紹MATLAB機器學習工具箱中的分類學習器應用程序（Classification Learner App）的使用方法，通過安德森鳶尾花卉數據集的實例，具體介紹使用方法和流程。
第4章介紹分類回歸算法中的k近鄰算法（KNN）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第5章介紹分類回歸算法中的決策樹（Decision Tree）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第6章介紹分類回歸算法中的支持向量機（SVM）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第7章介紹分類回歸算法中的樸素貝葉斯（Naive Bayes，NB）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第8章介紹分類回歸算法中的線性回歸（Line Regression）的算法原理、算法實現步線性回歸原理，以及通過MATLAB進行實例的算法編寫與詳解。
第9章介紹分類回歸算法中的邏輯回歸（Logistic Regression）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第10章介紹分類回歸算法中的神經網絡（Artificial Neural Networks，ANN）的算法原理、算法實現步驟、算法特點、算法拓展，以及通過MATLAB進行實例的算法編寫與詳解。
第11章介紹分類回歸算法中的AdaBoost算法的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第12章介紹聚類算法中的k均值算法（kmeans）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第13章介紹聚類算法中的期望化算法(EM)的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第14章介紹聚類算法中的k中心點算法（kmedoids）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第15章介紹聚類算法中的關聯規則挖掘的Apriori算法的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第16章介紹聚類算法中的高斯混合模型（GMM）的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第17章介紹聚類算法中的DBSCAN算法的算法原理、算法實現步驟、算法特點、算法改進，以及通過MATLAB進行實例的算法編寫與詳解。
第18章介紹強化學習算法中的策略迭代和值迭代的算法原理、算法實現步驟，以及通過MATLAB進行實例的算法編寫與詳解。
第19章介紹強化學習算法中的SARSA算法和Q學習算法的算法原理、算法實現步驟，以及通過MATLAB進行實例的算法編寫與詳解。
本書的出版得到了清華大學出版社圖書出版基金的資助和出版社工作人員的大力支持，作者在此表示衷心的感謝。此外，學術界、產業界同仁們的不斷探索，纔推動機器學習技術走到今天，本書的完成得力於此，編者在此一並表示感謝。本書由冷雨泉、張會文、張偉著，其他參與編寫的作者還有付明亮、韓小寧、秦曉成、張會彬，排名不分先後。
本書適合以下讀者：對人工智能、機器學習感興趣的讀者；希望用機器學習完成設計的計算機或電子信息專業學生；準備開設機器學習、深度學習實踐課的授課老師；學習過C語言，且希望進一步提升編程水平的開發者；剛從事機器學習、語音、機器視覺、智能機器人研發的算法工程師。
一方面，機器學習內容極為龐大和復雜，存在大量的交叉算法，且依據應用領域的不同，不同的算法也會有不同的表現；另一方面，機器學習領域發展極其迅速，不斷取得新的研究成果。因此，作者隻能盡力將現有機器學習的框架關繫及主要算法原理及其實現展現給讀者，以起到拋磚引玉的作用，給予機器學習的初學者一定的指導。讀者在後期的機器學習中，需要閱讀大量的文獻，並在實踐中進行摸索。
由於作者學識有限，疏漏和不當之處在所難免，敬請讀者和同行們給予批評指正（ML_matlab@163.com）。讀者如有興趣，可加入機器學習互動QQ群446360728，進行交流，共同進步。
作者2018年10月

在線試讀

第5章決策樹

5.1決策樹算法原理
5.1.1決策樹算法基本原理

決策樹(Decision Tree)是一種特別簡單的機器學習分類算法。決策樹想法來源於人類的決策過程，是在已知各種情況發生概率的基礎上，通過構成決策樹來評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由於這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，其代表的是對像屬性與對像值之間的一種映射關繫。
決策樹可看作一個樹狀預測模型，它是由結點和有向分支組成的層次結構。樹中包含3種結點：根結點、內部結點、葉子結點。決策樹隻有一個根結點，是全體訓練數據的集合。樹中每個內部結點都是一個分裂問題：指定了對實例的某個屬性的測試，它將到達該結點的樣本按照某個特定的屬性進行分割，並且該結點的每一個後繼分支對應於該屬性的一個可能值。每個葉子結點是帶有分類標簽的數據集合，即為樣本所屬的分類［1,2,3］。
為了便於讀者理解，用實例的方法解釋各概念及決策樹算法流程。假設一個應用為推斷某個孩子是否出門玩耍，其相應的樣本屬性包括是否晴天、濕度大小、是否刮風，通過前期統計，帶標簽的數據如表5.1所示，序號1~6的數據為樣本數據，序號為7的數據為待分類數據，即判別在該屬性數據情況下是否出門。

表5.1孩子出門情況統計表

第5章決策樹

5.1決策樹算法原理
5.1.1決策樹算法基本原理

決策樹(Decision Tree)是一種特別簡單的機器學習分類算法。決策樹想法來源於人類的決策過程，是在已知各種情況發生概率的基礎上，通過構成決策樹來評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由於這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，其代表的是對像屬性與對像值之間的一種映射關繫。
決策樹可看作一個樹狀預測模型，它是由結點和有向分支組成的層次結構。樹中包含3種結點：根結點、內部結點、葉子結點。決策樹隻有一個根結點，是全體訓練數據的集合。樹中每個內部結點都是一個分裂問題：指定了對實例的某個屬性的測試，它將到達該結點的樣本按照某個特定的屬性進行分割，並且該結點的每一個後繼分支對應於該屬性的一個可能值。每個葉子結點是帶有分類標簽的數據集合，即為樣本所屬的分類［1,2,3］。
為了便於讀者理解，用實例的方法解釋各概念及決策樹算法流程。假設一個應用為推斷某個孩子是否出門玩耍，其相應的樣本屬性包括是否晴天、濕度大小、是否刮風，通過前期統計，帶標簽的數據如表5.1所示，序號1~6的數據為樣本數據，序號為7的數據為待分類數據，即判別在該屬性數據情況下是否出門。

表5.1孩子出門情況統計表

序號是否晴天濕度大小是否刮風是否出門(標簽)
1是大否不出門
2是小否出門
3是小是不出門
4否小是不出門
5否大否出門
6否大是不出門
7是小否？

通過表5.1建立決策樹模型，如圖5.1所示，從圖中可看出，首先對數據整體樣本(即根結點處)按照某一屬性進行決策分支，形成中間結點，之後，遞歸分支，直到樣本劃分到一類中，即形成葉子結點。對於表5.1中的序號為7的待分類樣本，將其帶入決策樹中，首先按是否晴天進行分支，其屬性值為“是”時，之後，依據其濕度值為“小”，後，判斷是否刮風為“否”，可判斷該數據劃分到“出門”這一類中。

圖5.1孩子出門決策樹

決策樹是一種十分常用的分類方法，其通過樣本數據學習得到一個樹形分類器，對於新出現的待分類樣本能夠給出正確的分類。對於創建決策樹的過程，其步驟如下。
(1) 檢測數據集中的每個樣本是否屬於同一分類。
(2) 如果是，則形成葉子結點，跳轉到步驟(5)。如果否，則尋找劃分數據集的好特征(5.2節將介紹方法)。
(3) 依據好的特征，劃分數據集，創建中間結點。
(4) 對每一個劃分的子集循環步驟(1)、(2)、(3)。
(5) 直到所有的小子集都屬於同一類時，即形成葉子結點，則決策樹建立完成。
5.1.2決策樹算法的特點
決策樹算法的優點如下。
(1) 決策樹易於理解和實現，用戶在學習過程中不需要了解過多的背景知識，其能夠直接體現數據的特點，隻要通過適當的解釋，用戶能夠理解決策樹所表達的意義。
(2) 速度快，計算量相對較小，且容易轉化成分類規則。隻要沿著根結點向下一直走到葉子結點，沿途分裂條件是且確定的。
決策樹算法的缺點則主要是在處理大樣本集時，易出現過擬合現像，降低分類的準確性。

商品搜索

商品分类

【醫學】

【各大出版社】