机器学习原理与应用

　　第1 章绪论
　　1.1 人工智能
　　1.2 机器学习
　　1.3 深度学习
　　1.4 Pytorch简介
　　第2 章回归分析
　　2.1 引言
　　2.2 回归分析
　　2.3 本章小结
　　2.4 习题
　查看完整　　

　　杜世强，男，汉族，博士，1981年2月生，西北民族大学数学与计算机科学学院副教授，数据科学与大数据技术专业负责人，硕士生导师，国家自然基金面上项目函评专家，IEEE会员、中国计算机学会会员、中国图像图形学会会员，IEEE?Transactions?on?Cybernetics（SCI?1区）、IEEE?Access(SCI?2区)等多个国内外期刊审稿人。2014.09-2017.06就读于兰州大学信息科学与工程学院并获理学博士学位。曾于2013年访问美国犹他州立大学、2019-2020年访问意大利摩德纳雷焦艾米利亚大学，研究方向为机器学习、图像处理与神经网络。近几年来，研究成果发表于《Knowledge-Based?Systems》（SCI?1区）、《Neurocomputing》（SCI?2区）、《吉林大学学报》和《山东大学学报》等国内外学术刊物共计30多篇，其中一作SCI?1区论文1篇、SCI?2区论文4篇。

　　机器学习（Machine Learning，ML）是人工智能的一个分支，它是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习方法可以根据经验数据自动完成模型参数学习，而不需要人为设定规则，大幅降低了人工分析的工作量和难度，已成为目前解决人工智能相关问题的主要方式。

　　第1 章绪论
　　1.1 人工智能
　　1.2 机器学习
　　1.3 深度学习
　　1.4 Pytorch简介
　　第2 章回归分析
　　2.1 引言
　　2.2 回归分析
　　2.3 本章小结
　　2.4 习题
　　第3 章决策树
　　3.1 引言
　　3.2 案例
　　3.3 决策树
　　3.4 案例求解
　　3.5 本章小结
　　3.6 习题
　　第4 章贝叶斯分类器
　　4.1 引言
　　4.2 案例
　　4.3 理论介绍
　　4.4 案例求解
　　4.5 本章小结
　　4.6 习题
　　第5 章人工神经网络
　　5.1 引言
　　5.2 案例
　　5.3 多层感知机
　　5.4 案例求解
　　5.5 本章小结
　　5.6 习题
　　第6章支持向量机
　　6.1 引言
　　6.2 支持向量机
　　6.3 案例求解
　　6.4 本章小结
　　6.5 习题
　　第7 章聚类
　　7.1 引言
　　7.2 聚类任务
　　7.3 性能度量
　　7.4 原型聚类
　　7.5 层次聚类
　　7.6 习题
　　第8 章降维
　　8.1 引言
　　8.2 案例
　　8.3 主成分分析
　　8.4 线性判别分析
　　8.5 案例求解
　　8.6 本章小结
　　8.7 习题
　　第9 章深度卷积网络
　　9.1 引言
　　9.2 案例
　　9.3 图像分类模型
　　9.4 案例求解
　　9.5 本章小结
　　9.6 习题
　　第10章生成对抗网络
　　10.1 引言
　　10.2 生成对抗网络原理
　　10.3 损失函数
　　10.4 案例分析
　　10.5 本章小结
　　10.6 习题
　　第11章对比学习
　　11.1 引言
　　11.2 问题
　　11.3 对比学习
　　11.4 案例求解
　　11.5 本章小结
　　11.6 习题
　　第12章强化学习
　　12.1 引言
　　12.2 案例
　　12.3 强化学习
　　12.4 案例求解
　　12.5 本章小结
　　12.6 习题
　　参考答案
　　附录一矩阵相关知识
　　附录二概率论相关知识
　　参考文献
^ 收 起　　

　　杜世强，男，汉族，博士，1981年2月生，西北民族大学数学与计算机科学学院副教授，数据科学与大数据技术专业负责人，硕士生导师，国家自然基金面上项目函评专家，IEEE会员、中国计算机学会会员、中国图像图形学会会员，IEEE?Transactions?on?Cybernetics（SCI?1区）、IEEE?Access(SCI?2区)等多个国内外期刊审稿人。2014.09-2017.06就读于兰州大学信息科学与工程学院并获理学博士学位。曾于2013年访问美国犹他州立大学、2019-2020年访问意大利摩德纳雷焦艾米利亚大学，研究方向为机器学习、图像处理与神经网络。近几年来，研究成果发表于《Knowledge-Based?Systems》（SCI?1区）、《Neurocomputing》（SCI?2区）、《吉林大学学报》和《山东大学学报》等国内外学术刊物共计30多篇，其中一作SCI?1区论文1篇、SCI?2区论文4篇。

　　机器学习（Machine Learning，ML）是人工智能的一个分支，它是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习方法可以根据经验数据自动完成模型参数学习，而不需要人为设定规则，大幅降低了人工分析的工作量和难度，已成为目前解决人工智能相关问题的主要方式。