| 作者 |
| 李一邨 |
| 丛书名 |
| 出版社 |
| 机械工业出版社* |
| ISBN |
| 9787111688013 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书的编程语言以MATLAB为主，分别从学习方式和理论知识两个方面来对机器学习（实现人工智能的方法）的算法进行分类介绍。通过阅读本书，读者可以对人工智能的子集——机器学习形成一个系统、全面、完整的认识，并且在今后的研究工作中逐步拓展，*终形成自己的体系。全书共6篇，分别为特征处理算法、分类和聚类算法、神经网络算法、优化算法、基于不同数学思想的算法以及集成算法，每一篇都对该类别中常见算法的思想、流程、核心知识和优缺点等内容进行了详细介绍，并通过实际的案例分析和代码展示，对算法的具体应用进行了完整解析。 本书适用的读者对象包括金融机构的量化投资经理、科研工作者、互联网企业的算法工程师、大中专院校相关专业师生，以及其他对实现人工智能的机器学习技术感兴趣的读者。 |
| 目录 |
| 前言 第一篇特征处理算法 第1章ReliefF特征选择算法 1.1原理介绍 1.1.1算法思想 1.1.2算法流程 1.1.3算法详细介绍 1.2ReliefF特征选择算法优缺点 1.3实例分析 1.3.1数据集介绍 1.3.2函数介绍 1.3.3ReliefF算法在分类问题中的实例分析 1.3.4ReliefF算法在回归问题中的实例分析 1.4房价回归预测问题的特征选择案例代码 第2章Chi-Merge算法 2.1原理介绍 2.1.1算法思想 2.1.2算法流程 2.2Chi-Merge算法的优缺点 2.3实例分析 2.3.1数据集介绍 2.3.2函数介绍 2.3.3结果分析 2.4代码获取 第3章特征规约算法 3.1特征规约算法原理介绍 3.1.1特征规约算法思想 3.1.2特征规约算法流程 3.1.3PCA算法及相关矩阵分解 3.2几种特征规约算法的优缺点 3.3特征规约算法实例分析 3.3.1数据集介绍 3.3.2函数介绍 3.3.3结果分析 3.4代码获取 第二篇分类和聚类算法 第4章KNN算法 4.1原理介绍 4.1.1算法思想 4.1.2算法流程 4.2KNN算法的核心知识 4.2.1距离或相似度的衡量 4.2.2K值的选取 4.2.3K个邻近样本的选取 4.3KNN算法的优缺点 4.4实例分析 4.4.1数据集介绍 4.4.2函数介绍 4.4.3结果分析 4.5代码获取 第5章K-Means算法 5.1原理介绍 5.1.1算法思想 5.1.2算法流程 5.1.3K值的选取 5.2K-Means算法的优点与缺点 5.2.1K-Means算法的优点 5.2.2K-Means算法的缺点 5.3实例分析 5.3.1数据集介绍 5.3.2函数介绍 5.3.3K的选择 5.3.4训练结果分析 5.4代码介绍 5.4.1K-Means训练的函数代码 5.4.2计算距离矩阵的函数代码 5.4.3分析模型的代码 5.5代码获取 第6章高斯混合聚类算法 6.1原理介绍 6.1.1算法思想 6.1.2算法流程 6.1.3EM算法理论与GMM参数推导 6.1.4EM聚类与K-Means聚类的对比 6.2高斯混合聚类算法的优缺点 6.3实例分析 6.3.1数据集介绍 6.3.2函数介绍 6.3.3学习过程 6.3.4样本聚类结果 6.4代码获取 第7章ISODATA算法 7.1.1算法思想 7.1.2算法流程 7.2ISODATA算法的优缺点 7.3实例分析 7.3.1函数介绍 7.3.2数据介绍 7.3.3训练结果 7.3.4其他参数下的聚类结果 7.4代码介绍 7.4.1鸢尾花数据测试代码 7.4.2代码获取 第8章谱聚类算法 8.1原理介绍 8.1.1算法思想 8.1.2谱聚类的切图聚类 8.1.3算法流程 8.2聚类普算法的优缺点 8.3实例分析 8.3.1数据集介绍 8.3.2函数介绍 8.3.3结果分析 8.3.4代码获取 第三篇神经网络算法 第9章BP神经网络与径向基神经网络算法 9.1原理介绍 9.1.1算法思想 9.1.2算法流程 9.1.3BP神经网络与径向基神经网络结构说明 9.1.4误差反向传递（含权值偏置调整） 9.1.5调整输出层的权值偏置矩阵 9.1.6调整隐含层权值偏置矩阵 9.1.7径向基神经网络 9.2BP和径向基神经网络算法的优缺点 9.2.1BP神经网络和径向基神经网络的优点 9.2.2BP神经网络和径向基神经网络的缺点 9.3实例分析 9.3.1数据集介绍 9.3.2BP神经网络使用 9.3.3径向基神经网络的应用 9.4代码获取 第10章Hopfield神经网络算法 10.1原理介绍 10.1.1算法思想 10.1.2算法流程 10.1.3Hopfield神经网络结构 10.1.4离散Hopfield网络能量函数收敛性证明 10.2Hopfield神经网络算法的优点与缺点 10.3正交法权值计算 10.4正交法权值计算的吸引情况说明 10.5实例分析 10.6代码获取 第11章LSTM长短期记忆网络算法 11.1原理介绍 11.1.1算法思想 11.1.2算法流程 11.2LSTM的数学推导和说明 11.2.1数据集符号申明 11.2.2训练过程 11.3激活函数求导说明 11.4补充 11.5LSTM算法的优点与缺点 11.6实例分析 11.6.1数据集介绍 11.6.2函数介绍 11.6.3结果分析 11.7代码获取 第四篇优 化 算 法 第12章网格寻优算法 12.1原理介绍 12.1.1算法思想 12.1.2算法流程 12.2网格寻优算法的优缺点 12.3实例分析 12.3.1函数介绍 12.3.2结果分析 12.4代码获取 第13章模拟退火聚类算法 13.1原理介绍 13.1.1算法思想 13.1.2算法流程 13.2模拟退火算法的优缺点 13.3实例分析 13.3.1数据介绍 13.3.2函数介绍 13.3.3结果分析 13.4代码介绍 13.4.1分析模型的代码 13.4.2模拟退火结合K-Means算法的代码获取 第14章EMD经验模态分解算法 14.1原理介绍 14.1.1算法思想 14.1.2算法流程 14.1.3经验模态分解（EMD）的核心要点 14.1.4经验模态分解的理论基础 14.1.5包络线拟合 14.1.6三次样条插值的应用 14.1.7其他插值方法介绍 14.2EMD经验模态分解算法的优缺点 14.3实例分析 14.3.1数据集介绍 14.3.2函数介绍 14.3.3上证指数EMD分解 14.4代码获取 第五篇基于不同数学思想的算法 第15章粗糙集算法 15.1原理介绍 15.1.1算法思想 15.1.2算法流程 15.1.3基本概念 15.2粗糙集算法的优缺点 15.3实例分析 15.3.1数据集介绍 15.3.2函数介绍 15.3.3训练结果 15.3.4其他说明 15.4代码介绍 15.4.1测试案例代码 15.4.2粗糙集算法涉及的其他代码获取 第16章基于核的Fisher算法 16.1基于核的Fisher算法介绍 16.1.1算法思想 16.1.2基于核的Fisher算法数学推 |