机器学习、深度学习与强化学习

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