更新时间：2022-05-19 13:03:05
封面
版权信息
插图
序言
前言
第一部分
第1章 专家系统
1.1 早期的专家系统
1.2 正向推理
1.3 逆向推理
1.4 谓词逻辑
1.5 专家系统的贡献和困难
1.6 动手实践
参考文献
第2章 决策树
2.1 分类问题
2.2 构造决策树
2.3 ID3算法
2.4 信息熵
2.5 基尼不纯度
2.6 动手实践
第3章 神经元和感知机
3.1 生物神经元
3.2 早期感知机模型
3.3 现代的模型
3.4 学习模型参数
3.5 动手实践
第4章 线性回归
4.1 线性回归概述
4.2 最小二乘法
4.3 矩阵形式
4.4 一般性的回归问题
4.5 动手实践
第5章 逻辑斯蒂回归和分类器
5.1 分类问题
5.2 最大似然估计
5.3 交叉熵损失函数
5.4 多类别分类
5.5 分类器的决策边界
5.6 支持向量机
5.7 动手实践
第二部分
第6章 人工神经网络
6.1 异或问题和多层感知机
6.2 反向传播算法
6.3 深度神经网络
6.4 卷积和池化
6.5 循环神经网络
6.6 使用PyTorch软件包
6.7 动手实践
6.8 物体检测
第7章 集成学习
7.1 随机森林
7.2 自适应增强算法AdaBoost
7.3 梯度提升算法
7.4 偏差和方差
7.5 动手实践
第8章 聚类分析
8.1 有监督学习和无监督学习
8.2 K均值聚类
8.3 距离的度量
8.4 期望最大化算法
8.5 高斯混合模型
8.6 DBSCAN算法
8.7 SOM神经网络
8.8 动手实践
第9章 强化学习
9.1 马尔可夫决策过程
9.2 值函数
9.3 蒙特卡洛法
9.4 时间差分法
9.5 深度值网络DQN
9.6 动手实践
第10章 自然语言处理
10.1 隐马尔可夫模型
10.2 维特比算法
10.3 词向量的表示方法
10.4 循环神经网络
10.5 动手实践
