图书介绍
机器学习方法PDF|Epub|txt|kindle电子书版本网盘下载
- 蒋艳凰，赵强利编著 著
- 出版社： 北京：电子工业出版社
- ISBN：9787121090059
- 出版时间：2009
- 标注页数：282页
- 文件大小：26MB
- 文件页数：296页
- 主题词：机器学习－研究生－教材
PDF下载
下载说明
机器学习方法PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 机器学习概念1
1.2 机器学习系统2
1.2.1 学习系统模型2
1.2.2 机器学习系统结构2
1.3 机器学习方法分类3
1.3.1 监督学习4
1.3.2 非监督学习5
1.3.3 强化学习6
1.4 一般性定理与规则6
1.4.1 大多数原则6
1.4.2 奥卡姆剃刀原理7
1.4.3 无免费午餐定理8
1.5 学习算法的评价9
1.5.1 最短描述长度9
1.5.2 预测精度分析10
1.5.3 交叉验证法11
1.6 本书各章概要11
第2章 最近邻规则14
2.1 最近邻分类14
2.1.1 k-NN规则的思想14
2.1.2 k-NN的距离度量15
2.1.3 k-NN算法应用示例16
2.2 k-NN算法的缺陷及其改进17
2.2.1 k-NN算法的计算复杂度17
2.2.2 降维法18
2.2.3 预建结构法18
2.2.4 训练集裁减法19
第3章 贝叶斯学习20
3.1 概率论基础20
3.1.1 随机事件20
3.1.2 事件间的关系与运算21
3.1.3 概率的定义与性质22
3.1.4 统计概率22
3.1.5 条件概率23
3.1.6 概率密度24
3.1.7 正态分布24
3.2 贝叶斯定理24
3.3 贝叶斯定理和概念学习26
3.4 极大似然和最小误差平方假设28
3.5 贝叶斯最优分类器29
3.6 简单贝叶斯分类器30
3.7 贝叶斯网络31
3.7.1 贝叶斯网络基本概念32
3.7.2 因果关系网33
3.7.3 贝叶斯网络33
3.7.4 联合概率35
3.7.5 D分离35
3.7.6 贝叶斯网络的推理模式38
3.8 主观贝叶斯方法40
3.8.1 规则的不确定性41
3.8.2 证据的不确定性43
3.8.3 推理计算44
3.9 贝叶斯学习的优缺点47
第4章 决策树49
4.1 决策树的创建49
4.1.1 分而治之的思想49
4.1.2 决策树生成算法50
4.2 分枝划分标准51
4.2.1 测试条件51
4.2.2 直接划分法52
4.2.3 信息熵增益53
4.2.4 增益比57
4.2.5 Gini系数59
4.2.6 最短距离划分60
4.2.7 最短描述长度62
4.3 连续属性离散化65
4.3.1 离散化问题描述66
4.3.2 离散化方法分类67
4.3.3 典型离散化处理过程67
4.3.4 常用离散化方法介绍68
4.3.5 离散化方法的一种归类模式71
4.4 决策树剪枝72
4.4.1 剪枝问题描述72
4.4.2 预剪枝技术73
4.4.3 后剪枝技术74
4.5 动态离散化方法RCAT78
4.5.1 RCAT算法思想78
4.5.2 属性变换79
4.5.3 区间离散化80
4.5.4 区间边缘优化81
4.6 二分决策树系统Btrees84
4.6.1 二分树林结构84
4.6.2 多类问题扩展85
4.6.3 决策树剪枝86
4.6.4 实验结果87
4.7 决策树规则化94
4.7.1 问题提出94
4.7.2 单个规则的泛化96
4.7.3 规则集的分类行为100
第5章 基于事例推理的学习105
5.1 CBR概念的引入105
5.1.1 基于规则推理系统的缺陷105
5.1.2 CBR的概念106
5.1.3 CBR系统的特点107
5.2 CBR的描述性框架108
5.2.1 CBR循环108
5.2.2 CBR任务层次109
5.3 CBR方法描述110
5.3.1 事例表示110
5.3.2 事例检索113
5.3.3 事例重用114
5.3.4 事例修订115
5.3.5 事例冉生116
5.4 演绎检索116
5.4.1 基于决策树的事例表示117
5.4.2 计算新事例索引值118
5.4.3 选择事例118
5.5 最近邻检索120
5.5.1 基于加权的事例表示120
5.5.2 相似度计算120
第6章 关联规则学习123
6.1 相关概念介绍123
6.1.1 关联规则的基本概念123
6.1.2 关联规则的分类125
6.2 关联规则学习125
6.2.1 A priori算法126
6.2.2 FP-Growth算法130
6.3 多层关联规则学习134
6.3.1 多层关联规则概念134
6.3.2 多层关联规则学习135
6.4 关联规则与相关性分析138
6.4.1 问题的提出138
6.4.2 相关性分析139
6.4.3 相关规则学习140
6.5 关联学习中的约束140
第7章 神经网络142
7.1 神经网络概述142
7.1.1 神经网络基本模型142
7.1.2 神经网络学习方法分类144
7.2 常用神经网络介绍145
7.2.1 感知机145
7.2.2 BP神经网络146
7.2.3 径向基函数网络147
7.2.4 Hopfield网络149
7.2.5 玻尔兹曼机151
7.2.6 自组织特征映射网络153
7.3 BPNN的快速学习算法155
7.3.1 动量项学习算法155
7.3.2 RPROP学习算法156
7.4 BPNN的结构化扩展157
7.4.1 结构化神经网络SNN158
7.4.2 网络行为解释159
第8章 支持向量机163
8.1 核函数和特征空间163
8.1.1 特征空间中的学习163
8.1.2 核函数的定义165
8.1.3 核函数的性质166
8.2 构造核函数168
8.2.1 由核函数构造核函数168
8.2.2 由特征构造核函数168
8.3 常用的核函数169
8.4 VC理论170
8.4.1 PAC学习模型170
8.4.2 VC理论简介171
8.5 SVM基本原理172
8.5.1 SVM方法的特点173
8.5.2 线性情况173
8.5.3 非线性情况176
8.6 支持向量机算法扩展177
8.6.1 多类别问题的扩展177
8.6.2 海量样本数据的处理178
8.7 支持向量机应用示例179
第9章 遗传算法182
9.1 基本遗传算法182
9.1.1 编码182
9.1.2 适应度函数183
9.1.3 遗传算子183
9.1.4 运行参数187
9.2 执行过程及应用示例187
9.2.1 遗传算法的执行过程187
9.2.2 应用示例188
9.3 遗传算法的数学基础189
9.3.1 模式定理189
9.3.2 建筑块假说193
9.3.3 内在并行性194
9.4 遗传算法的收敛性分析195
9.5 遗传算法的局限性及其改进措施195
9.5.1 遗传算法的局限性195
9.5.2 遗传算法的改进措施197
9.6 遗传算法的特点199
9.7 遗传规划200
9.7.1 遗传规划概念200
9.7.2 遗传规划的特点201
9.7.3 遗传规划的发展动向202
9.8 基于遗传算法的机器分类203
9.8.1 遗传进化与机器分类203
9.8.2 遗传算法应用示例204
9.8.3 遗传规划应用示例205
第10章 集成学习207
10.1 集成学习的概念207
10.2 基本分类器的构造208
10.2.1 Bagging208
10.2.2 Adaboost210
10.2.3 纠错输出编码211
10.2.4 随机因素法211
10.2.5 异构的学习方法211
10.3 分类器集成方法212
10.3.1 投票法212
10.3.2 栈式集成法213
10.3.3 级联组合法214
10.3.4 算法相关法215
10.4 选择性集成215
10.4.1 选择性集成理论216
10.4.2 GASEN算法217
10.4.3 前向选择算法218
10.5 集成学习的性能220
第11章 基于纠错编码的机器学习222
11.1 纠错输出编码222
11.1.1 纠错输出编码的思想222
11.1.2 纠错输出码的特性分析224
11.1.3 常用的编码方法及其特点225
11.2 BCH编码算法227
11.2.1 相关定义227
11.2.2 循环码及其构造方法228
11.2.3 BCH码的设计229
11.3 搜索编码算法231
11.3.1 搜索编码算法描述231
11.3.2 搜索输出码的性质232
11.4 基于纠错输出编码的监督分类技术237
11.4.1 纠错输出编码与分类精度237
11.4.2 基于搜索编码的监督分类技术238
11.4.3 决策方法239
11.5 应用示例240
11.5.1 搜索编码法在简单贝叶斯分类中的应用241
11.5.2 搜索编码法在BP神经网络中的应用244
第12章 聚类分析246
12.1 聚类分析概述246
12.1.1 聚类分析的基本概念246
12.1.2 相似性测量246
12.1.3 聚类评价准则248
12.2 类别数目未知时的聚类方法249
12.2.1 自适应样本集构造法250
12.2.2 Batchelor和Wilkins算法251
12.3 类别数目已知时的聚类方法252
12.3.1 层次聚类法252
12.3.2 k-均值聚类算法253
12.3.3 ISODATA算法255
12.4 基于核构造的聚类法257
12.5 模糊聚类258
12.5.1 隶属度函数258
12.5.2 普通的等价关系259
12.5.3 基于隶属度的FCM算法260
12.5.4 基于模糊等价关系的聚类算法261
12.5.5 基于最大模糊支撑树的聚类算法264
第13章 强化学习266
13.1 强化学习的概念266
13.2 强化学习的基本知识266
13.2.1 问题假设266
13.2.2 目标函数267
13.2.3 问题类型268
13.2.4 强化信号269
13.2.5 状态值函数269
13.3 TD算法270
13.4 Q-学习271
13.4.1 Q-学习算法271
13.4.2 应用示例272
13.5 强化学习的局限性274
附录A 数据集描述275
参考文献278