本书涵盖了与人工智能相关的机器学习核心方法，包括深度卷积神经网络、循环神经网络、生成对抗网络、蒙特卡罗树搜索、强化学习。本书也包括一些应用非常广泛的机器学习方法，例如，支持向量机、决策树和随机森林、隐马尔可夫模型、聚类与自组织映射。本书还包含一些重要的大数据分析方法，如主成分分析、回归分析等。
样章试读
目录
- 目录
第1章 导言 1
1.1 机器学习的概念 1
1.2 机器学习的类别 1
1.3 机器学习和其他领域的关系 2
1.4 人工智能的发展历程 3
1.5 机器学习和人工智能的关系 5
第2章 机器学习基础 7
2.1 概率和统计基础 7
2.1.1 概率 7
2.1.2 随机变量 8
2.1.3 线性相关 9
2.1.4 常用概率分布 10
2.1.5 贝叶斯定理 11
2.2 凸函数 12
2.3 极大似然估计 13
2.4 熵和散度 13
2.5 主成分分析 15
2.5.1 数据标准化 15
2.5.2 数据矩阵的正交变换 16
2.5.3 主成分 18
2.5.4 因子和因子载荷 18
2.6 随机梯度下降算法 19
2.6.1 函数的梯度和方向导数 19
2.6.2 梯度下降算法 20
2.6.3 随机梯度下降 20
2.6.4 动量 21
2.7 过拟合和欠拟合 22
2.8 交叉验证 22
2.9 二分类模型的评价 23
2.10 机器学习的工具包 26
第3章 回归分析 27
3.1 回归分析问题 27
3.2 线性回归分析 28
3.2.1 线性回归分析问题 28
3.2.2 线性回归形式 29
3.2.3 简单线性回归 29
3.3 Logistic回归 30
3.3.1 Logistic函数 30
3.3.2 线性二分类 31
3.3.3 对数似然函数与代价函数 32
3.3.4 最优参数的学习 34
第4章 支持向量机 36
4.1 引言 36
4.2 二分类支持向量机算法 36
4.2.1 二分类线性支持向量机 37
4.2.2 二分类非线性支持向量机 41
4.2.3 核函数 42
4.3 支持向量机分类性能的评价 43
4.4 序贯最小优化算法 44
第5章 聚类和自组织映射 47
5.1 向量、范数和向量间的距离 47
5.2 K-均值聚类 48
5.3 自组织映射 49
5.3.1 Kohonen模型 49
5.3.2 突触权重向量的初始化 50
5.3.3 竞争过程 50
5.3.4 合作过程 50
5.3.5 自适应过程 52
5.3.6 定序与收敛 53
第6章 隐马尔可夫模型 55
6.1 马尔可夫链 55
6.2 隐马尔可夫模型的含义 56
6.2.1 模型的含义 56
6.2.2 统计推断 58
6.3 后验概率解码 58
6.4 状态路径的推断 60
6.5 隐马尔可夫模型中参数的估计 61
6.5.1 已知完整数据的参数估计 62
6.5.2 期望最大算法 62
6.5.3 Baum-Welch算法 65
第7章 决策树和随机森林 67
7.1 树 67
7.1.1 图 67
7.1.2 二叉树 68
7.2 决策树学习 69
7.2.1 度量 69
7.2.2 ID3算法 71
7.2.3 C4.5算法 74
7.3 自举聚集法 75
7.4 随机森林 76
第8章 蒙特卡罗树搜索 77
8.1 引言 77
8.2 蒙特卡罗积分 78
8.3 博弈 78
8.3.1 组合博弈 79
8.3.2 博弈树 79
8.3.3 极小极大算法 79
8.3.4 多臂老虎机 81
8.3.5 2-贪心 82
8.3.6 遗憾 82
8.3.7 上置信界 82
8.4 蒙特卡罗树搜索算法 83
8.5 树的上置信界 85
8.6 蒙特卡罗树搜索的特征 87
8.6.1 启发式 87
8.6.2 随时性 88
8.6.3 非对称性 88
第9章 卷积神经网络 89
9.1 引言 89
9.2 有监督学习 90
9.3 背景知识 91
9.3.1 张量和向量化 91
9.3.2 向量的计算以及链式法则 91
9.3.3 克罗内克积 92
9.4 CNN简述 92
9.4.1 结构 92
9.4.2 前向传播 93
9.4.3 随机梯度下降 93
9.4.4 误差反向传播 93
9.5 卷积层 94
9.5.1 输入，输出，滤波，记号 94
9.5.2 卷积 95
9.5.3 卷积展开 95
9.5.4 卷积展开的推广 96
9.5.5 更高维度的指标矩阵 98
9.5.6 反向传播的参数 99
9.5.7 反向传播：监督信号 100
9.6 池化层 101
9.7 逆向操作 102
9.8 ReLU层 103
第10章 深度卷积神经网络 104
10.1 Alex网络 104
10.2 VGG网络 106
10.3 Inception网络 107
10.4 残差网络 111
10.4.1 残差块 112
10.4.2 残差网络的结构 113
10.5 深度卷积神经网络的训练 114
10.5.1 权值初始化 114
10.5.2 学习率更新 115
10.5.3 批量正则化 115
10.5.4 增大数据集 116
10.5.5 图形处理器与并行计算 117
10.6 全卷积神经网络与图像的分割 117
10.6.1 全卷积神经网络 117
10.6.2 图像分割 117
10.7 深度卷积神经网络在DNA序列分析中的应用 120
第11章 循环神经网络 124
11.1 循环的含义 124
11.2 循环神经网络的架构 125
11.3 循环神经网络中梯度的计算 128
11.4 长短期记忆网络 130
11.5 门控循环单元 133
11.6 循环神经网络的实现与应用案例 134
11.6.1 训练数据的获取 134
11.6.2 循环神经网络的训练 135
11.6.3 报告对比 137
11.6.4 基于PyTorch的LSTM网络训练 138
第12章 生成对抗网络 140
12.1 引言 140
12.2 生成对抗网络原理 141
12.2.1 损失函数和极大极小博弈 142
12.2.2 算法 142
12.2.3 最优判别器 143
12.3 GAN的缺陷：梯度的消失 144
12.4 深度卷积生成对抗网络的架构 145
第13章 有完整模型的强化学习 148
13.1 强化学习导引 148
13.2 马尔可夫奖赏过程 150
13.2.1 马尔可夫奖赏过程表现形式 150
13.2.2 状态值函数和贝尔曼方程 151
13.3 马尔可夫决策过程 151
13.3.1 值函数与贝尔曼方程 153
13.3.2 最优策略和最优值函数 156
13.3.3 行动值方法 159
13.4 动态规划 159
13.4.1 策略评价 160
13.4.2 策略改进 161
13.4.3 策略迭代 162
13.4.4 值迭代 162
13.4.5 异步动态规划 163
13.4.6 广义策略迭代 164
第14章 无完整模型的强化学习 166
14.1 蒙特卡罗方法 166
14.1.1 蒙特卡罗策略预测 167
14.1.2 行动值的蒙特卡罗估计 169
14.1.3 蒙特卡罗控制 170
14.1.4 无探索起始的既定策略蒙特卡罗控制 172
14.1.5 通过重要性抽样实现离策略预测 173
14.1.6 增量形式 175
14.1.7 离策略蒙特卡罗控制 176
14.1.8 蒙特卡罗方法与动态规划方法的比较 177
14.2 时间差分学习 178
14.2.1 时间差分预测 179
14.2.2 Sarsa：既定策略时间差分控制 181
14.2.3 Q-学习：离策略时间差分控制 182
14.2.4 期望Sarsa 182
14.2.5 最大偏差和加倍学习 183
14.2.6 持续探索 185
第15章 深度Q网络 186
15.1 深度Q网络原理 187
15.2 深度Q网络中的深度卷积神经网络 187
15.3 深度Q网络算法 188
15.4 深度Q网络训练 190
参考文献 194
附录A：AlexNet代码 196
附录B：Inception网络代码 198
附录C：ResNet代码 204
附录D：深度卷积神经网络的训练代码 208
京公网安备 11010102004214号