[正版] 机器学习算法与应用(微课视频版) 人工智能 清华大学出版社 正版书籍

                                                    店铺公告

为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。 温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）， 关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

《机器学习算法与应用（微课视频版）》讲解机器学习算法在物联网时代边缘计算平台的嵌入化个性应用，尤其对计算复杂度高且难以并行化的深度循环神经网络模型，详细介绍了在ARM处理器和FPGA硬件平台的并行加速实现步骤。
（1）涵盖内容  有监督机器学习算法、无监督机器学习算法、强化学习算法和深度学习算法，阐述从浅层学习到深度学习，从简单的线性模型到复杂的神经网络非线性模型的原理与应用。涉及模型在物联网边缘计算平台的实现、*知识图谱与系统结合的应用。
（2）讲解原则  从理论到实践，每个章节先简介理论基础，再构建数学模型，然后辅以实例分析，*后设计源码实现，共给出40个实例。
（3）学习方法  每个章节可独立阅读，也可从前向后，从简到难，循序渐进学习。

目录

章机器学习简介

1.1什么是机器学习

1.2有监督学习

1.3无监督学习

1.4强化学习

1.5深度学习

1.6机器学习算法的应用趋势

1.6.1机器学习算法在物联网的应用

1.6.2机器学习算法在其他领域的应用

1.7安装MATLAB或Octave

1.8Python语言和C/C 语言简介

1.8.1Python语言简介

1.8.2C/C 语言简介

1.9习题

第2章线性回归

2.1线性回归模型

2.2代价函数

2.3梯度下降法

2.4线性回归中的梯度下降

2.5特征归一化

2.6小二乘正规方程

2.7线性回归实例分析

2.7.1实例一： 一元线性回归模型与代价函数理解

2.7.2实例二： 多元线性回归模型与代价函数理解

2.8习题

第3章逻辑回归

3.1逻辑回归模型

3.2逻辑回归的代价函数

3.3优化函数

3.4逻辑回归解决分类问题

3.4.1实例一： 牛顿法实现逻辑回归模型

3.4.2实例二： 逻辑回归解决二分类问题

3.5正则化

3.6正则化后的线性回归和逻辑回归模型实例分析

3.6.1实例一： 小二乘正规方程法优化正则化线性回归模型

3.6.2实例二： 牛顿法优化正则化逻辑回归模型

3.6.3参考解决方案

3.7习题

第4章朴素贝叶斯

4.1数学基础

4.2朴素贝叶斯分类

4.3朴素贝叶斯分类实例分析

4.3.1实例一： 多项式朴素贝叶斯用于邮件分类

4.3.2实例二： 朴素贝叶斯解决多分类问题

4.4习题

第5章支持向量机

5.1支持向量机模型

5.2支持向量机代价函数

5.3支持向量机实例分析

5.3.1实例一： SVM 解决线性可分问题

5.3.2实例二： SVM解决邮件分类问题

5.3.3实例三： 核函数SVM解决线性不可分问题

5.4习题

第6章神经网络

6.1神经网络模型

6.2反向传播算法

6.3神经网络实例分析

6.3.1实例一： 神经网络实现简单分类问题

6.3.2实例二： 神经网络解决预测问题

6.4习题

第7章K近邻算法

7.1K近邻算法原理

7.2K近邻算法实例分析

7.2.1实例一： K近邻算法解决二分类问题

7.2.2实例二： K近邻算法解决多分类问题

7.3习题

第8章K均值算法

8.1K均值算法原理

8.2K均值算法实例分析

8.2.1实例一： K均值算法实现简单聚类

8.2.2实例二： K均值算法解决病毒聚类问题

8.3习题

第9章高斯混合模型

9.1高斯混合模型原理

9.2期望算法

9.3高斯混合模型实例分析

9.3.1实例一： 高斯混合模型聚类原理分析

9.3.2实例二： 高斯混合模型实现鸢尾花数据聚类

9.4习题

0章降维算法

10.1降维算法原理

10.2降维算法实例分析

10.2.1实例一： 线性判别分析(LDA)降维算法实现

10.2.2实例二： 主成分分析(PCA)降维算法实现

10.3线性判别分析与主成分分析对比

10.4习题

1章隐马尔可夫模型

11.1隐马尔可夫模型定义

11.2隐马尔可夫模型实例分析

11.2.1实例一： HMM实现简单序列预测

11.2.2实例二： HMM 解决车流预测问题

11.3习题

2章强化学习

12.1Qlearning强化学习算法原理

12.2Qlearning实例分析

12.2.1实例一： Qlearning解决走迷宫问题

12.2.2实例二： Qlearning解决小车爬坡问题

12.3习题

3章决策树

13.1决策树构造原理

13.2决策树实例分析

13.2.1实例一： 应用CART算法构造决策树

13.2.2实例二： 决策树算法拟合曲线

13.3习题

4章启发式优化算法

14.1遗传算法原理

14.2优化算法对比实例分析

14.2.1实例一： 粒子群(PSO)算法

14.2.2实例二： 差分进化(DE)算法

14.2.3实例三： 人工蜂群(ABC)算法

14.2.4实例四： 对比粒子群、差分进化和人工蜂群算法

14.3习题

5章深度学习

15.1卷积神经网络

15.1.1卷积层

15.1.2池化层

15.1.3CNN模型

15.1.4实例一： CNN实现手写数字识别

15.2循环神经网络

15.2.1RNN网络概述

15.2.2LSTM网络

15.2.3实例一： RNN实现时序数据预测

15.2.4实例二： LSTM预测交通流量

15.3深度学习算法物联网硬件加速

15.3.1FPGA硬件平台简介

15.3.2开发软件环境简介

15.3.3实例一： RNN时序数据预测物联网平台实现

15.4习题

6章集成学习

16.1集成学习算法

16.1.1随机森林算法

16.1.2Adaboost算法

16.2集成学习算法实例分析

16.2.1实例一： 集成学习Stacking实现

16.2.2实例二： 集成学习解决预测问题

16.3习题

7章系统

17.1算法原理

17.2知识图谱与系统

17.2.1知识图谱定义

17.2.2知识图谱特征学习

17.2.3知识图谱用于系统

17.3系统实例分析

17.3.1实例一： 基于线性混合深度网络的系统实现

17.3.2实例二： 基于知识图谱的多任务神经网络智能系统

17.4习题

附录A专用符号和名词解释

附录B机器学习资源列表

附录C数学推导BPTT算法

参考文献

本书内容涵盖经典的有监督机器学习算法，无监督机器学习算法，深度机器学习算法，阐述从浅层学习到深度学习，从简单的线性模型到复杂的神经网络非线性模型的原理与应用。书中每个章节遵循先简介理论基础，再构建数学模型，然后辅以实例分析，从理论到实践的讲解原则。每个章节可独立阅读，也可从前向后，从简到难，从浅层学习到深度学习，循序渐进学习。本书*特色为机器学习算法的嵌入化应用，尤其对难于并行化的深度学习算法，详细介绍了在ARM处理器和FPGA硬件平台的实现步骤。

杨云  女，1973年生，2007年毕业于华南理工大学控制理论与控制工程专业，获博士学位，2009年于西北工业大学航天学院学与技术博士后流动站出站，同年进入长安大学信息工程学院物联网与网络工程系任教，2018—2019年在美国佛罗里达大学工程学院电子与计算机工程系访学。目前主讲课程“射频识别技术及应用”“人工智能基础”，主要研究方向为智能交通、机器学习应用和物联网硬件安全；主持4项科研项目，发表10余篇国际期刊和会议论文，授权2项。
段宗涛  男，1977年生，2006年毕业于西北工业大学计算机科学与技术专业，获博士学位，同年进入长安大学交通运输与工程博士后流动站工作，2009年出站后于长安大学信息工程学院任教至今。2009—2010年在美国北卡罗来纳大学信息学院访学。主要研究方向为交通大数据处理和泛在交通信息服务理论与技术；主持6项科研项目，发表20余篇国际期刊和会议论文，授权6项。