123,123,123

內(nèi)容簡(jiǎn)介

　　機(jī)器學(xué)習(xí)是人工智能的一個(gè)方向。它是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、矩陣論、神經(jīng)網(wǎng)絡(luò)、計(jì)算機(jī)等多門(mén)學(xué)科。其目標(biāo)是使用計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類(lèi)學(xué)習(xí)活動(dòng)，從現(xiàn)有大量的數(shù)據(jù)中學(xué)習(xí)，利用經(jīng)驗(yàn)不斷改善系統(tǒng)性能。機(jī)器學(xué)習(xí)步驟一般分為獲取數(shù)據(jù)、數(shù)據(jù)預(yù)處理、建立模型、模型評(píng)估和預(yù)測(cè)。本書(shū)共6章。第1章節(jié)主要介紹機(jī)器學(xué)習(xí)的基本概念及其發(fā)展史、機(jī)器學(xué)習(xí)分類(lèi)、常見(jiàn)機(jī)器學(xué)習(xí)算法及其特點(diǎn)；第2章搭建機(jī)器學(xué)習(xí)開(kāi)發(fā)環(huán)境，主要包括anaconda\pycharm\python軟件的安裝及使用，以及常見(jiàn)機(jī)器學(xué)習(xí)庫(kù)的介紹和安裝使用方法；第3章介紹了監(jiān)督學(xué)習(xí)的4個(gè)經(jīng)典算法：線性回歸、決策樹(shù)、k近鄰和支持向量機(jī)算法，其重點(diǎn)在算法的應(yīng)用；第4章介紹了主成分分析降維算法、Kmeans聚類(lèi)算法；第5章介紹人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)，并通過(guò)房?jī)r(jià)預(yù)測(cè)和手寫(xiě)數(shù)字識(shí)別實(shí)例進(jìn)行驗(yàn)證；第6章介紹強(qiáng)化學(xué)習(xí)的基本概念，有模型學(xué)習(xí)和無(wú)模型學(xué)習(xí)，最后介紹了Q-Learning算法和Sarsa算法。本書(shū)由人工智能技術(shù)專(zhuān)業(yè)教師和英特爾FPGA中國(guó)創(chuàng)新中心的工程師們合力編寫(xiě)，講解了大量的具體程序案例，涵蓋大部分機(jī)器學(xué)習(xí)算法，教師和學(xué)生可以根據(jù)應(yīng)用需求，選擇對(duì)應(yīng)的知識(shí)點(diǎn)和算法。本書(shū)所有程序均已經(jīng)在英特爾FPGA中國(guó)創(chuàng)新中心AILab實(shí)訓(xùn)平臺(tái)上驗(yàn)證實(shí)現(xiàn)。本書(shū)可作為高職高專(zhuān)院校電子信息類(lèi)相關(guān)專(zhuān)業(yè)教材，也可作為科技人員的參考用書(shū)。

作者簡(jiǎn)介

　　徐宏英，女，工學(xué)碩士，重慶電子工程職業(yè)學(xué)院骨干教師，參研國(guó)家自然科學(xué)基金一項(xiàng)，參研省級(jí)重點(diǎn)科技攻關(guān)項(xiàng)目一項(xiàng)，主持省級(jí)教改課題一項(xiàng)，參研省部級(jí)項(xiàng)目8項(xiàng)，第一主編出版教材1部，發(fā)表論文10余篇，申請(qǐng)專(zhuān)利8項(xiàng)，指導(dǎo)學(xué)生參加全國(guó)大學(xué)生電子設(shè)計(jì)大賽獲全國(guó)二等獎(jiǎng)1項(xiàng)，指導(dǎo)學(xué)生參加職業(yè)技能競(jìng)賽獲全國(guó)二等獎(jiǎng)1項(xiàng)，省部級(jí)電子設(shè)計(jì)大賽、職業(yè)技能大賽10余項(xiàng)。

圖書(shū)目錄

第1章機(jī)器學(xué)習(xí)介紹 001
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 002
1.1.1 機(jī)器學(xué)習(xí)的基本概念 003
1.1.2 機(jī)器學(xué)習(xí)的發(fā)展歷史 005
1.2 機(jī)器學(xué)習(xí)的分類(lèi)及典型算法 010
1.2.1 機(jī)器學(xué)習(xí)的分類(lèi) 010
1.2.2 監(jiān)督學(xué)習(xí) 011
1.2.3 非監(jiān)督學(xué)習(xí) 014
1.2.4 半監(jiān)督學(xué)習(xí) 015
1.2.5 強(qiáng)化學(xué)習(xí) 018
本章小結(jié) 019
習(xí)題 020
第2章基于Python語(yǔ)言的機(jī)器學(xué)習(xí)環(huán)境搭建與配置 023
2.1 機(jī)器學(xué)習(xí)相關(guān)軟件介紹 024
2.1.1 機(jī)器學(xué)習(xí)開(kāi)發(fā)語(yǔ)言 024
2.1.2 機(jī)器學(xué)習(xí)開(kāi)發(fā)工具 028
2.2 機(jī)器學(xué)習(xí)開(kāi)發(fā)環(huán)境搭建 036
2.2.1 Python的安裝及使用 036
2.2.2 Anaconda的安裝及使用 041
2.2.3 PyCharm的安裝及使用 052
2.3 常見(jiàn)機(jī)器學(xué)習(xí)庫(kù)函數(shù)功能介紹 059
2.3.1 基礎(chǔ)科學(xué)計(jì)算庫(kù)（NumPy） 059
2.3.2 科學(xué)計(jì)算工具集（Scipy） 068
2.3.3 數(shù)據(jù)分析庫(kù)（Pandas） 074
2.3.4 圖形繪制庫(kù)（Matplotlib） 079
2.3.5 機(jī)器學(xué)習(xí)常用算法庫(kù)（Scikit-learn） 080
本章小結(jié) 083
習(xí)題 084
第3章監(jiān)督學(xué)習(xí) 087
3.1 線性回歸算法 088
3.1.1 常用損失函數(shù) 089
3.1.2 最小二乘法 091
3.1.3 梯度下降法 092
3.1.4 線性回歸算法實(shí)例 094
3.2 決策樹(shù)算法 098
3.2.1 分類(lèi)準(zhǔn)則 099
3.2.2 ID3算法 102
3.2.3 C4.5算法 108
3.2.4 CART算法 111
3.2.5 決策樹(shù)算法實(shí)例 113
3.3 k近鄰算法 116
3.3.1 k值的選取及特征歸一化 117
3.3.2 kd樹(shù) 120
3.3.3 k近鄰算法實(shí)例 128
3.4 支持向量機(jī)算法 133
3.4.1 線性可分性 133
3.4.2 對(duì)偶問(wèn)題 136
3.4.3 核函數(shù) 139
3.4.4 軟間隔 142
3.4.5 支持向量機(jī)算法實(shí)例 144
本章小結(jié) 146
習(xí)題 146
第4章非監(jiān)督學(xué)習(xí) 149
4.1 非監(jiān)督學(xué)習(xí)概述 150
4.1.1 非監(jiān)督學(xué)習(xí)的基本概念 150
4.1.2 非監(jiān)督學(xué)習(xí)的分類(lèi) 151
4.1.3 非監(jiān)督學(xué)習(xí)的特點(diǎn) 152
4.1.4 非監(jiān)督學(xué)習(xí)的應(yīng)用 153
4.2 主成分分析降維算法 154
4.2.1　數(shù)據(jù)降維介紹 154
4.2.2 PCA算法介紹 155
4.2.3 PCA算法求解步驟 159
4.2.4 PCA算法實(shí)例 161
4.3 K-means聚類(lèi)算法 163
4.3.1 聚類(lèi)算法簡(jiǎn)介 163
4.3.2 K-means算法介紹 164
4.3.3 K-means算法求解步驟 165
4.3.4 K-means算法實(shí)例 170
本章小結(jié) 172
習(xí)題 173
第5章人工神經(jīng)網(wǎng)絡(luò) 175
5.1 人工神經(jīng)網(wǎng)絡(luò)概述 176
5.1.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程 176
5.1.2 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 180
5.1.3 人工神經(jīng)網(wǎng)絡(luò)模型 188
5.1.4 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 191
5.2 房?jī)r(jià)預(yù)測(cè)實(shí)例 193
5.2.1 房?jī)r(jià)預(yù)測(cè)模型構(gòu)建 193
5.2.2 房?jī)r(jià)預(yù)測(cè)網(wǎng)絡(luò)構(gòu)建 198
5.3 手寫(xiě)數(shù)字識(shí)別實(shí)例 199
5.3.1 手寫(xiě)數(shù)字識(shí)別簡(jiǎn)介 199
5.3.2 手寫(xiě)數(shù)字識(shí)別網(wǎng)絡(luò)構(gòu)建 201
本章小結(jié) 203
習(xí)題 203
第6章強(qiáng)化學(xué)習(xí) 205
6.1 強(qiáng)化學(xué)習(xí)概述 206
6.1.1 強(qiáng)化學(xué)習(xí)的基本概念 206
6.1.2 強(qiáng)化學(xué)習(xí)的發(fā)展歷史 208
6.1.3 強(qiáng)化學(xué)習(xí)的分類(lèi) 210
6.1.4 強(qiáng)化學(xué)習(xí)的特點(diǎn)及應(yīng)用 211
6.2 強(qiáng)化學(xué)習(xí)基礎(chǔ) 212
6.2.1 馬爾可夫決策過(guò)程 212
6.2.2 貪心算法 213
6.3 有模型學(xué)習(xí)和無(wú)模型學(xué)習(xí) 214
6.3.1 有模型學(xué)習(xí) 214
6.3.2 無(wú)模型學(xué)習(xí) 216
6.4 強(qiáng)化學(xué)習(xí)實(shí)例 216
6.4.1 Q-Learning算法 216
6.4.2 Sarsa算法 232
本章小結(jié) 242
習(xí)題 243