电子书
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。
章节目录
- 封面
- 前折页
- 书名页
- 版权页
- 前言
- 目录
- 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
- 1.2 ReliefF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
- 1.3.3 ReliefF算法在分类问题中的实例分析
- 1.3.4 ReliefF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
- 2.2 Chi-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
- 3.1.3 PCA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
- 4.2 KNN算法的核心知识
- 4.2.1 距离或相似度的衡量
- 4.2.2 K值的选取
- 4.2.3 K个邻近样本的选取
- 4.3 KNN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
- 5.1.3 k值的选取
- 5.2 K-Means算法的优点与缺点
- 5.2.1 K-Means算法的优点
- 5.2.2 K-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
- 5.3.3 K的选择
- 5.3.4 训练结果分析
- 5.4 代码介绍
- 5.4.1 K-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
- 6.1.3 EM算法理论与GMM参数推导
- 6.1.4 EM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 原理介绍
- 7.1.1 算法思想
- 7.1.2 算法流程
- 7.2 ISODATA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
- 9.1.3 BP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
- 9.2 BP和径向基神经网络算法的优缺点
- 9.2.1 BP神经网络和径向基神经网络的优点
- 9.2.2 BP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
- 9.3.2 BP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
- 10.1.3 Hopfield神经网络结构
- 10.1.4 离散Hopfield网络能量函数收敛性证明
- 10.2 Hopfield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
- 11.2 LSTM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
- 11.5 LSTM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
- 14.2 EMD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算法数学推导
- 16.1.3 算法流程
- 16.1.4 基于核的Fisher算法的计算步骤
- 16.2 Fisher核函数算法的优缺点
- 16.3 实例分析
- 16.3.1 函数介绍
- 16.3.2 核函数的选择
- 16.3.3 结果分析
- 16.4 代码介绍
- 16.4.1 测试脚本
- 16.4.2 Fisher核函数的完整代码获取
- 第17章 SVM支持向量机算法
- 17.1 原理介绍
- 17.1.1 算法思想
- 17.1.2 算法流程
- 17.1.3 最优分类超平面问题
- 17.1.4 顺序选取α的SMO算法
- 17.1.5 结合Maximum Gain Method对α选择的优化
- 17.2 SVM算法的优点与缺点
- 17.3 实例分析
- 17.3.1 数据介绍
- 17.3.2 函数介绍
- 17.3.3 训练结果
- 17.4 代码获取
- 第18章 傅里叶级数及变换
- 18.1 原理介绍
- 18.1.1 算法思想
- 18.1.2 算法流程
- 18.1.3 傅里叶变换定理的说明
- 18.1.4 傅里叶级数展开的指数函数形式
- 18.1.5 一些核心问题的解释
- 18.2 傅里叶级数及变换的优缺点
- 18.3 实例分析
- 18.3.1 函数介绍
- 18.3.2 离散傅里叶变换数据降噪实例
- 18.3.3 利用快速傅里叶变换对原数据进行降噪
- 18.4 离散傅里叶变换代码获取
- 第六篇 集成算法
- 第19章 集成算法之AdaBoost
- 19.1 原理介绍
- 19.1.1 算法思想
- 19.1.2 算法流程
- 19.1.3 程序流程
- 19.2 AdaBoost算法的优缺点
- 19.3 实例分析
- 19.3.1 数据集介绍
- 19.3.2 函数介绍
- 19.3.3 结果分析
- 19.4 代码获取
- 第20章 集成算法之Bagging
- 20.1 原理介绍
- 20.1.1 算法思想
- 20.1.2 算法流程
- 20.2 Bagging算法的优缺点
- 20.3 实例分析
- 20.3.1 函数介绍
- 20.3.2 结果分析
- 20.4 代码获取
- 第21章 集成算法之Stacking
- 21.1 原理介绍
- 21.2 Stacking算法的优缺点
- 21.3 Stacking截面数据分类
- 21.3.1 训练程序流程
- 21.3.2 训练函数
- 21.3.3 预测程序流程
- 21.3.4 预测函数
- 21.4 算法实例
- 21.5 Stacking时间序列分类
- 21.5.1 算法流程
- 21.5.2 程序流程
- 21.5.3 预测函数
- 21.6 实例分析
- 21.7 代码获取
- 第22章 集成算法之Gradient Boosting
- 22.1 原理介绍
- 22.1.1 算法思想
- 22.1.2 算法流程
- 22.1.3 采用标签取{0,1}的对数损失函数
- 22.1.4 采用标签取{-1,1}的对数损失函数
- 22.2 Gradient Boosting算法的优缺点
- 22.3 实例分析
- 22.3.1 数据集介绍
- 22.3.2 函数介绍
- 22.3.3 结果分析
- 22.4 代码介绍
- 22.4.1 处理分类问题的测试代码
- 22.4.2 处理回归问题的测试代码
- 22.4.3 集成算法之GB完整代码获取
- 后折页
- 封底
展开全部
人工智能算法大全：基于MATLAB是2021年由机械工业出版社出版,作者李一邨 编著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《人工智能算法大全：基于MATLAB》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
电子书
电子书