机器学习基础：原理、算法与实践

　　《机器学习基础——原理、算法与实践》讲述机器学习的基本原理，使用MATLAB实现涉及的各种机器学习算法。通过理论学习和实践操作，使读者了解并掌握机器学习的原理和技能，拉近理论与实践的距离。《机器学习基础——原理、算法与实践》共分12章，主要内容包括：机器学习介绍、线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值和EM算法、决策树、神经网络、HMM、支持向量机、推荐系统、主成分分析。全书源码全部在MATLAB R2015b上调试通过，每章都附有习题和习题参考答案，供读者参考。 《机器学习基础——原理、算法与实践》系统讲解了机器学习的原理、算法和应用，内容全面、实例丰富、可操作性强，做到理论与实践相结合。《机器学习基础——原理、算法与实践》适合机器学习爱好者作为入门和提高的技术参考书使用，也适合用作计算机专业高年级本科生和研究生的教材或教学参考书。

　　袁梅宇，北航工学博士，硕士导师，现在昆明理工大学计算机系任教。为本科生和研究生主讲Java程序设计、Java EE技术、数据库原理、人工智能、Dot Net技术等核心课程，参加过863 CIMS Net建设、中欧合作项目DRAGON和多项国家基金和省基金项目，第1作者公开发表论文十余篇，软件著作权（颁证）六项。第1作者专著有《Java EE企业级编程开发实例详解》、《数据挖掘与机器学习——WEKA应用技术与实践》（第1版、第2版）、《求精要诀11Java EE编程开发案例精讲》1

目录
第1章 机器学习介绍 1
1.1 机器学习简介 2
1.1.1 什么是机器学习 2
1.1.2 机器学习与日常生活 3
1.1.3 如何学习机器学习 4
1.1.4 MATLAB优势 5
1.2 基本概念 5
1.2.1 机器学习的种类 6
1.2.2 有监督学习 6
1.2.3 无监督学习 7
1.2.4 机器学习术语 7
1.2.5 预处理 9
1.3 MATLAB数据格式 10
1.3.1 标称数据 10
1.3.2 序数数据 11
1.3.3 分类数据 11
1.4 示例数据集 12
1.4.1 天气问题 12
1.4.2 鸢尾花 15
1.4.3 其他数据集 16
1.5 了解你的数据 16
习题 20
第2章 线性回归 21
2.1 从一个实际例子说起 22
2.1.1 模型定义 23
2.1.2 模型假设 23
2.1.3 模型评估 24
2.2 最小二乘法 24
2.2.1 最小二乘法求解参数 25
2.2.2 用最小二乘法来拟合奥运会数据 26
2.2.3 预测比赛结果 27
2.3 梯度下降 27
2.3.1 基本思路 28
2.3.2 梯度下降算法 29
2.3.3 梯度下降求解线性回归问题 30
2.4 多变量线性回归 32
2.4.1 多变量线性回归问题 33
2.4.2 多变量梯度下降 34
2.4.3 随机梯度下降 38
2.4.4 正规方程 40
2.5 多项式回归 42
2.5.1 多项式回归算法 42
2.5.2 正则化 45
习题 47
第3章 逻辑回归 49
3.1 逻辑回归介绍 50
3.1.1 线性回归用于分类 50
3.1.2 假设函数 51
3.1.3 决策边界 52
3.2 逻辑回归算法 53
3.2.1 代价函数 53
3.2.2 梯度下降算法 54
3.2.3 MATLAB优化函数 56
3.2.4 多项式逻辑回归 58
3.3 多元分类 60
3.3.1 一对多 60
3.3.2 一对一 62
3.3.3 Softmax回归 64
习题 66
第4章 贝叶斯分类器 67
4.1 简介 68
4.1.1 概述 68
4.1.2 判别模型和生成模型 68
4.1.3 极大似然估计 69
4.2 高斯判别分析 72
4.2.1 多元高斯分布 72
4.2.2 高斯判别模型 73
4.3 朴素贝叶斯 75
4.3.1 朴素贝叶斯算法 76
4.3.2 文本分类 81
习题 86
第5章 模型评估与选择 87
5.1 简介 88
5.1.1 训练误差与泛化误差 88
5.1.2 偏差和方差 89
5.2 评估方法 90
5.2.1 训练集、验证集和测试集的划分 91
5.2.2 交叉验证 92
5.3 性能度量 95
5.3.1 常用性能度量 95
5.3.2 查准率和查全率 96
5.3.3 ROC和AUC 98
5.4 偏差与方差折中 100
5.4.1 偏差与方差诊断 101
5.4.2 正则化与偏差方差 102
5.4.3 学习曲线 103
习题 104
第6章 K-均值算法和EM算法 107
6.1 聚类分析 108
6.1.1 K-means算法描述 108
6.1.2 K-means算法应用 112
6.1.3 注意事项 113
6.2 EM算法 114
6.2.1 基本EM算法 114
6.2.2 EM算法的一般形式 115
6.2.3 混合高斯模型 118
习题 123
第7章 决策树 125
7.1 决策树介绍 126
7.2 ID3算法 127
7.2.1 信息熵 127
7.2.2 信息增益计算示例 127
7.2.3 ID3算法描述 132
7.2.4 ID3算法实现 134
7.3 C4.5算法 134
7.3.1 基本概念 135
7.3.2 剪枝处理 139
7.3.3 C4.5算法描述 140
7.3.4 C4.5算法实现 142
7.4 CART算法 144
7.4.1 CART算法介绍 144
7.4.2 CART算法描述 147
7.4.3 CART算法实现 149
习题 150
第8章 神经网络 151
8.1 神经网络介绍 152
8.1.1 从一个实例说起 152
8.1.2 神经元 153
8.1.3 神经网络结构 154
8.1.4 简化的神经网络模型 157
8.1.5 细节说明 160
8.2 神经网络学习 161
8.2.1 代价函数 161
8.2.2 BP算法 162
8.2.3 BP算法实现 166
8.2.4 平方代价函数的情形 171
习题 171
第9章 隐马尔科夫模型 173
9.1 隐马尔科夫模型基本概念 174
9.1.1 离散马尔科夫过程 174
9.1.2 扩展至隐马尔科夫模型 176
9.1.3 HMM的组成和序列生成 179
9.1.4 三个基本问题 181
9.2 求解HMM三个基本问题 182
9.2.1 评估问题 183
9.2.2 解码问题 187
9.2.3 学习问题 190
习题 196
第10章 支持向量机 197
10.1 支持向量机介绍 198
10.2 最大间隔超平面 198
10.2.1 SVM问题的形式化描述 199
10.2.2 函数间隔和几何间隔 199
10.2.3 最优间隔分类器 201
10.2.4 使用优化软件求解SVM 203
10.3 对偶算法 204
10.3.1 SVM对偶问题 204
10.3.2 使用优化软件求解对偶 SVM 206
10.4 非线性支持向量机 208
10.4.1 核技巧 208
10.4.2 常用核函数 210
10.5 软间隔支持向量机 213
10.5.1 动机及原问题 213
10.5.2 对偶问题 214
10.5.3 使用优化软件求解软间隔 对偶SVM 215
10.6 SMO算法 218
10.6.1 SMO算法描述 218
10.6.2 简化SMO算法实现 221
10.7 LibSVM 226
10.7.1 LibSVM的安装 226
10.7.2 LibSVM函数 228
10.7.3 LibSVM实践指南 230
习题 232
第11章 推荐系统 233
11.1 推荐系统介绍 234
11.1.1 什么是推荐系统 234
11.1.2 数据集描述 235
11.1.3 推荐系统符号 236
11.2 基于用户的协同过滤 236
11.2.1 相似性度量 237
11.2.2 算法描述 239
11.2.3 算法实现 240
11.3 基于物品的协同过滤 241
11.3.1 调整余弦相似度和预测 241
11.3.2 Slope One算法描述 与实现 243
11.4 基于内容的协同过滤算法与实现 247
11.4.1 算法描述 247
11.4.2 算法实现 250
习题 251
第12章 主成分分析 253
12.1 主成分分析介绍 254
12.2 本征值与奇异值分解 255
12.2.1 本征值分解 255
12.2.2 奇异值分解 256
12.3 PCA算法描述 256
12.3.1 PCA算法 257
12.3.2 从压缩表示中重建 258
12.3.3 确定主成分数量 258
12.4 PCA实现 260
12.4.1 假想实例 260
12.4.2 MNIST实例 264
习题 265
习题参考答案 267
符号表 294
参考文献 295