机器学习及其应用

封面

版权信息

前言

第1章 机器学习概述

1.1 机器学习基本概念

1.2 机器学习发展历程

1.3 机器学习基本问题

1.4 习题

第2章 模型估计与优化

2.1 模型参数估计

2.2 模型优化基本方法

2.3 模型优化概率方法

2.4 模型正则化策略

2.5 习题

第3章 监督学习

3.1 线性模型

3.2 决策树模型

3.3 贝叶斯模型

3.4 支持向量机

3.5 监督学习应用

3.6 习题

第4章 无监督学习

4.1 聚类分析

4.2 主分量分析

4.3 稀疏编码与学习

4.4 无监督学习应用

4.5 习题

第5章 集成学习

5.1 集成学习基本知识

5.2 Bagging集成学习

5.3 Boosting集成学习

5.4 集成学习应用

5.5 习题

第6章 强化学习

6.1 强化学习概述

6.2 基本强化学习

6.3 示范强化学习

6.4 强化学习应用

6.5 习题

第7章 神经网络与深度学习

7.1 神经网络概述

7.2 神经网络常用模型

7.3 深度学习基本知识

7.4 神经网络应用

7.5 习题

第8章 常用深度网络模型

8.1 深度卷积网络

8.2 深度循环网络

8.3 生成对抗网络

8.4 常用深度网络应用

8.5 习题

第9章 深度强化学习

9.1 深度强化学习概述

9.2 基于价值的学习

9.3 基于策略的学习

9.4 深度强化学习应用

9.5 习题