机器学习教程（微课视频版）

封面

版权信息

作者简介

内容简介

高等学校电子信息类专业系列教材

序

前言

学习建议

视频目录

第一部分 基础知识和基本方法

第1章 机器学习概述

1.1 什么是机器学习

1.2 机器学习的类型

1.2.1 基本分类

1.2.2 监督学习及其功能分类

1.3 构建机器学习系统的基本问题

1.3.1 机器学习的基本元素

1.3.2 机器学习的一些基本概念

1.4 从简单示例理解机器学习

1.4.1 一个简单的回归示例

1.4.2 一个简单的分类示例

1.5 深度学习简介

1.6 本章小结

习题

第2章 统计与优化基础

2.1 概率论基础

2.1.1 离散随机变量

2.1.2 连续随机变量

2.1.3 随机变量的统一表示

2.1.4 随机变量的基本特征

2.1.5 随机特征的蒙特卡洛逼近

2.2 概率实例

2.2.1 离散随机变量示例

2.2.2 高斯分布

2.2.3 指数族

2.2.4 混合高斯过程

2.2.5 马尔可夫过程

2.3 最大似然估计

2.4 贝叶斯估计

2.5 贝叶斯决策

2.5.1 机器学习中的决策

2.5.2 分类的决策

2.5.3 回归的决策

2.6 随机变量的熵特征

2.6.1 熵的定义和基本性质

2.6.2 KL散度

2.7 非参数方法

2.8 优化技术概述

2.9 本章小结

习题

第3章 基本回归算法

3.1 线性回归

3.1.1 基本线性回归

3.1.2 线性回归的递推学习

3.1.3 多输出线性回归

3.2 正则化线性回归

3.3 线性基函数回归

3.4 本章小结

习题

第4章 基本分类算法

4.1 基本分类问题

4.2 线性判别函数模型

4.2.1 Fisher线性判别分析

*4.2.2 感知机

4.3 逻辑回归

4.3.1 二分类问题的逻辑回归

4.3.2 多分类问题的逻辑回归

4.4 朴素贝叶斯方法

4.5 高斯生成模型分类器

4.5.1 相同协方差矩阵情况的二分类

4.5.2 不同协方差矩阵情况的二分类

4.5.3 多分类情况

4.6 本章小结

习题

第5章 机器学习的性能与评估

5.1 模型的训练、验证与测试

5.2 机器学习模型的性能评估

5.3 机器学习模型的误差分解

5.4 机器学习模型的泛化性能

5.4.1 假设空间有限时的泛化误差界

*5.4.2 假设空间无限时的泛化误差界

5.5 本章小结

习题

第二部分 经典算法

第6章 支持向量机与核函数方法

6.1 线性可分的支持向量机

6.1.1 不等式约束的优化

6.1.2 线性可分情况SVM的原理

6.1.3 线性可分情况SVM的优化解

6.2 线性不可分情况的SVM

6.2.1 线性不可分情况SVM的优化解

6.2.2 合页损失函数

6.3 非线性支持向量机

6.3.1 SVM分类算法小结

6.3.2 核函数方法

6.4 SVM用于多分类问题

*6.5 支持向量回归

6.6 本章小结

习题

第7章 决策树算法