机器学习算法理论与应用

　　机器学习目前是人工智能和模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。作者从解决实际问题的角度出发，通过大量的实战经验深入剖析机器学习算法在解决实际问题中的具体应用，处理数据从一维到二维，研究对象从文本到图像，解决问题从股票预测到图像去雾。全书用通俗易懂的语言和绘声绘色的插图从机器学习最简单的模型出发，带领读者一步步叩开机器学**秘的大门。本书可作为专业课教材供学生使用，也可为相关兴趣爱好者参考使用。

暂缺《机器学习算法理论与应用》作者简介

序言
第1部分 深度学习应用
1 图像分类
1.1 图像分类任务
1.2 支持向量机和卷积神经网络
1.3 神经网络逼近核函数混合连接的图像分类方法
1.4 应用示例
2 时间序列分析
2.1 统计方法
2.2 神经网络学习方法
3 目标检测
3.1 基本概念
3.2 核心原理
3.3 经典模型
3.4 目标检测数据集
3.5 图像标注
3.6 目标检测应用——轮毂焊缝精确识别与快速定位
4 文本检测
4.1 研究基础
4.2 基于多尺度特征融合的自然场景文本检测算法
5 冠状动脉分割
5.1 研究基础
5.2 基于分形分析的噪声图像超分辨率重建
5.3 基于多特征融合的MFM R-CNN网络
6 单幅图像去雨
6.1 基于物理模型的单幅图像去雨算法
6.2 基于学习的单幅图像去雨算法
6.3 基于挤压激励块的多阶段去雨算法
7 单幅图像去雾
7.1 大气散射模型
7.2 经典的图像去雾算法
7.3 基于迭代去雾模型和CycleGAN的单幅图像去雾算法
7.4 混合透射率迭代估计的单幅图像去雾算法
7.5 基于注意力机制的半监督图像去雾算法
8 异构图文本数据分类
8.1 基本概念与原理
8.2 提出算法
8.3 实验
第Ⅱ部分 集成学习模型及应用
9 基于自适应策略粒子群优化的XGBoost模型
9.1 极限梯度提升树算法（XGBoost）
9.2 基于自适应策略粒子群优化的XGBoost金融信贷预测模型
9.3 实验结果及分析
10 基于神经网络和集成学习的期权定价模型
10.1 经典算法与模型
10.2 基于神经网络和集成学习的期权定价模型
10.3 实验结果及分析
第Ⅲ部分 迁移学习及应用
11 迁移学习基础知识
11.1 基本概念
11.2 迁移学习的分类
11.3 迁移学习方法
11.4 深度迁移学习
11.5 深度域适应
12 基于迁移学习的水下图像增强
12.1 研究现状
12.2 算法描述
12.3 实验结果及分析
第Ⅳ部分 强化学习及应用
13 强化学习基础知识
13.1 马尔科夫决策过程
13.2 深度强化学习算法介绍
14 基于深度强化学习的股票量化交易
14.1 研究现状
14.2 算法的提出
14.3 实验结果及分析
第Ⅴ部分 多模态融合及应用
15 股票涨跌预测
15.1 基本概念与原理
15.2 基于Transfomer注意力网络的股票涨跌预测方法1
16 语音分离
16.1 语音分离算法的基本概念与分类
16.2 基于听觉信息的传统语音分离算法
16.3 基于深度学习的语音分离算法
16.4 音视频结合的语音分离算法
16.5 基于多模态融合开展的工作
第Ⅵ部分 参数优化算法
17 粒子群优化算法
17.1 基本概念与原理
17.2 基于控制参数调整的粒子群优化算法
17.3 基于邻域拓扑的粒子群优化算法
17.4 基于辅助搜索技术的粒子群优化算法
18 自适应粒子群优化算法及其应用
18.1 基于自适应学习策略的粒子群优化算法
18.2 基于自适应演化状态分析的粒子群优化算法
18.3 基于自适应变异粒子群优化支持向量机的信用评估方法
后记