人工智能算法大全：基于MATLAB

定　价：¥99.90

作　者：	李一邨著
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787111688013	出版时间：	2021-09-01	包装：	平装
开本：	16开	页数：	256	字数：

内容简介

　　本书的编程语言以MATLAB为主，分别从学习方式和理论知识两个方面来对机器学习（实现人工智能的方法）的算法进行分类介绍。通过阅读本书，读者可以对人工智能的子集——机器学习形成一个系统、全面、完整的认识，并且在今后的研究工作中逐步拓展，*终形成自己的体系。全书共6篇，分别为特征处理算法、分类和聚类算法、神经网络算法、优化算法、基于不同数学思想的算法以及集成算法，每一篇都对该类别中常见算法的思想、流程、核心知识和优缺点等内容进行了详细介绍，并通过实际的案例分析和代码展示，对算法的具体应用进行了完整解析。本书适用的读者对象包括金融机构的量化投资经理、科研工作者、互联网企业的算法工程师、大中专院校相关专业师生，以及其他对实现人工智能的机器学习技术感兴趣的读者。

作者简介

　　李一邨，浙江杭州人，浙江大学量化金融博士，现任杭州伊园科技有限公司总经理。前沿量化科学领域的深耕者，多年来致力于将多元学科的前沿理论嫁接融合到金融投资领域。被聘为杭州科促会数据科学家、杭州师范大学指导老师。曾连续5届（第8~12届）获得《证券时报》和《期货日报》联合评选的“中国*佳金融量化策略工程师”。

图书目录

前言
第一篇特征处理算法

第1章ReliefF特征选择算法
1.1原理介绍
1.1.1算法思想
1.1.2算法流程
1.1.3算法详细介绍
1.2ReliefF特征选择算法优缺点
1.3实例分析
1.3.1数据集介绍
1.3.2函数介绍
1.3.3ReliefF算法在分类问题中的实例分析
1.3.4ReliefF算法在回归问题中的实例分析
1.4房价回归预测问题的特征选择案例代码

第2章Chi-Merge算法
2.1原理介绍
2.1.1算法思想
2.1.2算法流程
2.2Chi-Merge算法的优缺点
2.3实例分析
2.3.1数据集介绍
2.3.2函数介绍
2.3.3结果分析
2.4代码获取

第3章特征规约算法
3.1特征规约算法原理介绍
3.1.1特征规约算法思想
3.1.2特征规约算法流程
3.1.3PCA算法及相关矩阵分解
3.2几种特征规约算法的优缺点
3.3特征规约算法实例分析
3.3.1数据集介绍
3.3.2函数介绍
3.3.3结果分析
3.4代码获取

第二篇分类和聚类算法

第4章KNN算法
4.1原理介绍
4.1.1算法思想
4.1.2算法流程
4.2KNN算法的核心知识
4.2.1距离或相似度的衡量
4.2.2K值的选取
4.2.3K个邻近样本的选取
4.3KNN算法的优缺点
4.4实例分析
4.4.1数据集介绍
4.4.2函数介绍
4.4.3结果分析
4.5代码获取

第5章K-Means算法
5.1原理介绍
5.1.1算法思想
5.1.2算法流程
5.1.3K值的选取
5.2K-Means算法的优点与缺点
5.2.1K-Means算法的优点
5.2.2K-Means算法的缺点
5.3实例分析
5.3.1数据集介绍
5.3.2函数介绍
5.3.3K的选择
5.3.4训练结果分析
5.4代码介绍
5.4.1K-Means训练的函数代码
5.4.2计算距离矩阵的函数代码
5.4.3分析模型的代码
5.5代码获取

第6章高斯混合聚类算法
6.1原理介绍
6.1.1算法思想
6.1.2算法流程
6.1.3EM算法理论与GMM参数推导
6.1.4EM聚类与K-Means聚类的对比
6.2高斯混合聚类算法的优缺点
6.3实例分析
6.3.1数据集介绍
6.3.2函数介绍
6.3.3学习过程
6.3.4样本聚类结果
6.4代码获取

第7章ISODATA算法
7.1.1算法思想
7.1.2算法流程
7.2ISODATA算法的优缺点
7.3实例分析
7.3.1函数介绍
7.3.2数据介绍
7.3.3训练结果
7.3.4其他参数下的聚类结果
7.4代码介绍
7.4.1鸢尾花数据测试代码
7.4.2代码获取

第8章谱聚类算法
8.1原理介绍
8.1.1算法思想
8.1.2谱聚类的切图聚类
8.1.3算法流程
8.2聚类普算法的优缺点
8.3实例分析
8.3.1数据集介绍
8.3.2函数介绍
8.3.3结果分析
8.3.4代码获取

第三篇神经网络算法

第9章BP神经网络与径向基神经网络算法
9.1原理介绍
9.1.1算法思想
9.1.2算法流程
9.1.3BP神经网络与径向基神经网络结构说明
9.1.4误差反向传递（含权值偏置调整）
9.1.5调整输出层的权值偏置矩阵
9.1.6调整隐含层权值偏置矩阵
9.1.7径向基神经网络
9.2BP和径向基神经网络算法的优缺点
9.2.1BP神经网络和径向基神经网络的优点
9.2.2BP神经网络和径向基神经网络的缺点
9.3实例分析
9.3.1数据集介绍
9.3.2BP神经网络使用
9.3.3径向基神经网络的应用
9.4代码获取

第10章Hopfield神经网络算法
10.1原理介绍
10.1.1算法思想
10.1.2算法流程
10.1.3Hopfield神经网络结构
10.1.4离散Hopfield网络能量函数收敛性证明
10.2Hopfield神经网络算法的优点与缺点
10.3正交法权值计算
10.4正交法权值计算的吸引情况说明
10.5实例分析
10.6代码获取

第11章LSTM长短期记忆网络算法
11.1原理介绍
11.1.1算法思想
11.1.2算法流程
11.2LSTM的数学推导和说明
11.2.1数据集符号申明
11.2.2训练过程
11.3激活函数求导说明
11.4补充
11.5LSTM算法的优点与缺点
11.6实例分析
11.6.1数据集介绍
11.6.2函数介绍
11.6.3结果分析
11.7代码获取

第四篇优化算法

第12章网格寻优算法
12.1原理介绍
12.1.1算法思想
12.1.2算法流程
12.2网格寻优算法的优缺点
12.3实例分析
12.3.1函数介绍
12.3.2结果分析
12.4代码获取

第13章模拟退火聚类算法
13.1原理介绍
13.1.1算法思想
13.1.2算法流程
13.2模拟退火算法的优缺点
13.3实例分析
13.3.1数据介绍
13.3.2函数介绍
13.3.3结果分析
13.4代码介绍
13.4.1分析模型的代码
13.4.2模拟退火结合K-Means算法的代码获取

第14章EMD经验模态分解算法
14.1原理介绍
14.1.1算法思想
14.1.2算法流程
14.1.3经验模态分解（EMD）的核心要点
14.1.4经验模态分解的理论基础
14.1.5包络线拟合
14.1.6三次样条插值的应用
14.1.7其他插值方法介绍
14.2EMD经验模态分解算法的优缺点
14.3实例分析
14.3.1数据集介绍
14.3.2函数介绍
14.3.3上证指数EMD分解
14.4代码获取

第五篇基于不同数学思想的算法

第15章粗糙集算法
15.1原理介绍
15.1.1算法思想
15.1.2算法流程
15.1.3基本概念
15.2粗糙集算法的优缺点
15.3实例分析
15.3.1数据集介绍
15.3.2函数介绍
15.3.3训练结果
15.3.4其他说明
15.4代码介绍
15.4.1测试案例代码
15.4.2粗糙集算法涉及的其他代码获取

第16章基于核的Fisher算法
16.1基于核的Fisher算法介绍
16.1.1算法思想
16.1.2基于核的Fisher算法数学推