机器学习、深度学习与强化学习

　　本书从数学优化的角度对目前人工智能的代表技术机器学习进行分析，解决了目前这一领域偏向应用，数学理论较弱的问题，从原理、数学解析两个方面对特征提取、分类、聚类、神经网络等进行了全面系统的剖析。解决了目前人工智能领域偏向应用，数学理论较弱的问题，从原理解析、数学解析两个方面对机器学习进行剖析。

　　林强，北京信息科技大学教师，副研究员。在人工智能领域有着多年的实践和教学经验，以*一作者身份发表科研论文15篇，其中SCI1篇，EI9篇，ISTP2篇；以*一发明人身份申请国内外专利15项；其中13项已获得授权，包括中国专利7项，美国专利4项，欧洲专利2项.

第一章 数据、数学与机器学习001
1.1 概述 / 003
1.2 数学与机器学习 / 005
1.3 数据与机器学习 / 008
1.4 深度学习与强化学习 / 014
1.5 本章小结 / 019
第二章 分类与回归021
2.1 常用的分类方法 / 024
2.2 分类的数学解释 / 032
2.3 回归分析 / 038
2.4 回归分析的数学解释 / 041
2.5 本章小结 / 046
第三章 特征选取047
3.1 数据预处理的步骤 / 050
3.2 数据预处理与特征提取 / 057
3.3 主成分分析 / 059
3.4 因子分析 / 063
3.5 特征提取问题的数学解析 / 067
3.6 本章小结 / 072
第四章 聚 类075
4.1 基本概念 / 078
4.2 聚类的过程 / 082
4.3 分析方法 / 083
4.4 基于K-means算法的聚类规则 / 088
4.5 聚类问题的数学解释 / 091
4.6 本章小结 / 094
第五章 深度学习097
5.1 概述 / 099
5.2 神经网络模型 / 101
5.3 神经网络学习方法 / 103
5.4 神经网络的数学解释 / 106
5.5 本章小结 / 111
第六章 强化学习113
6.1 朴素贝叶斯 / 115
6.2 贝叶斯信念网 / 118
6.3 动态贝叶斯网络 / 120
6.4 一般时序模型 / 121
6.5 马尔可夫模型 / 131
6.6 本章小结 / 138
第七章 计算流与自组织141
7.1 信息流与计算流的结合 / 143
7.2 学习中的自组织行为 / 144
7.3 神经动力学与自组织 / 153
参考文献157卷