本书内容涵盖经典的有监督机器学习算法,无监督机器学习算法,深度机器学习算法,阐述从浅层学习到深度学习,从简单的线性模型到复杂的神经网络非线性模型的原理与应用。书中每个章节遵循先简介理论基础,再构建数学模型,然后辅以实例分析,从理论到实践的讲解原则。每个章节可独立阅读,也可从前向后,从简到难,从浅层学习到深度学习,循序渐进学习。本书*特色为机器学习算法的嵌入化应用,尤其对难于并行化的深度学习算法,详细介绍了在ARM处理器和FPGA硬件平台的实现步骤。

目录 第1章机器学习简介 1.1什么是机器学习 1.2有监督学习 1.3无监督学习 1.4强化学习 1.5深度学习 1.6机器学习算法的应用趋势 1.6.1机器学习算法在物联网的应用 1.6.2机器学习算法在其他领域的应用 1.7安装MATLAB或Octave 1.8Python语言和C/C 语言简介 1.8.1Python语言简介 1.8.2C/C 语言简介 1.9习题 第2章线性回归 2.1线性回归模型 2.2代价函数 2.3梯度下降法 2.4线性回归中的梯度下降 2.5特征归一化 2.6*小二乘正规方程 2.7线性回归实例分析 2.7.1实例一: 一元线性回归模型与代价函数理解 2.7.2实例二: 多元线性回归模型与代价函数理解 2.8习题 第3章逻辑回归 3.1逻辑回归模型 3.2逻辑回归的代价函数 3.3优化函数 3.4逻辑回归解决分类问题 3.4.1实例一: 牛顿法实现逻辑回归模型 3.4.2实例二: 逻辑回归解决二分类问题 3.5正则化 3.6正则化后的线性回归和逻辑回归模型实例分析 3.6.1实例一: *小二乘正规方程法优化正则化线性回归模型 3.6.2实例二: 牛顿法优化正则化逻辑回归模型 3.6.3参考解决方案 3.7习题 第4章朴素贝叶斯 4.1数学基础 4.2朴素贝叶斯分类 4.3朴素贝叶斯分类实例分析 4.3.1实例一: 多项式朴素贝叶斯用于邮件分类 4.3.2实例二: 朴素贝叶斯解决多分类问题 4.4习题 第5章支持向量机 5.1支持向量机模型 5.2支持向量机代价函数 5.3支持向量机实例分析 5.3.1实例一: SVM 解决线性可分问题 5.3.2实例二: SVM解决邮件分类问题 5.3.3实例三: 核函数SVM解决线性不可分问题 5.4习题 第6章神经网络 6.1神经网络模型 6.2反向传播算法 6.3神经网络实例分析 6.3.1实例一: 神经网络实现简单分类问题 6.3.2实例二: 神经网络解决预测问题 6.4习题 第7章K近邻算法 7.1K近邻算法原理 7.2K近邻算法实例分析 7.2.1实例一: K近邻算法解决二分类问题 7.2.2实例二: K近邻算法解决多分类问题 7.3习题 第8章K均值算法 8.1K均值算法原理 8.2K均值算法实例分析 8.2.1实例一: K均值算法实现简单聚类 8.2.2实例二: K均值算法解决病毒聚类问题 8.3习题 第9章高斯混合模型 9.1高斯混合模型原理 9.2*大期望算法 9.3高斯混合模型实例分析 9.3.1实例一: 高斯混合模型聚类原理分析 9.3.2实例二: 高斯混合模型实现鸢尾花数据聚类 9.4习题 第10章降维算法 10.1降维算法原理 10.2降维算法实例分析 10.2.1实例一: 线性判别分析(LDA)降维算法实现 10.2.2实例二: 主成分分析(PCA)降维算法实现 10.3线性判别分析与主成分分析对比 10.4习题 第11章隐马尔可夫模型 11.1隐马尔可夫模型定义 11.2隐马尔可夫模型实例分析 11.2.1实例一: HMM实现简单序列预测 11.2.2实例二: HMM 解决车流预测问题 11.3习题 第12章强化学习 12.1Qlearning强化学习算法原理 12.2Qlearning实例分析 12.2.1实例一: Qlearning解决走迷宫问题 12.2.2实例二: Qlearning解决小车爬坡问题 12.3习题 第13章决策树 13.1决策树构造原理 13.2决策树实例分析 13.2.1实例一: 应用CART算法构造决策树 13.2.2实例二: 决策树算法拟合曲线 13.3习题 第14章启发式优化算法 14.1遗传算法原理 14.2优化算法对比实例分析 14.2.1实例一: 粒子群(PSO)算法 14.2.2实例二: 差分进化(DE)算法 14.2.3实例三: 人工蜂群(ABC)算法 14.2.4实例四: 对比粒子群、差分进化和人工蜂群算法 14.3习题 第15章深度学习 15.1卷积神经网络 15.1.1卷积层 15.1.2池化层 15.1.3CNN模型 15.1.4实例一: CNN实现手写数字识别 15.2循环神经网络 15.2.1RNN网络概述 15.2.2LSTM网络 15.2.3实例一: RNN实现时序数据预测 15.2.4实例二: LSTM预测交通流量 15.3深度学习算法物联网硬件加速 15.3.1FPGA硬件平台简介 15.3.2开发软件环境简介 15.3.3实例一: RNN时序数据预测物联网平台实现 15.4习题 第16章集成学习 16.1集成学习算法 16.1.1随机森林算法 16.1.2Adaboost算法 16.2集成学习算法实例分析 16.2.1实例一: 集成学习Stacking实现 16.2.2实例二: 集成学习解决预测问题 16.3习题 第17章**系统 17.1**算法原理 17.2知识图谱与**系统 17.2.1知识图谱定义 17.2.2知识图谱特征学习 17.2.3知识图谱用于**系统 17.3**系统实例分析 17.3.1实例一: 基于线性混合深度网络的**系统实现 17.3.2实例二: 基于知识图谱的多任务神经网络智能**系统 17.4习题 附录A专用符号和名词解释 附录B机器学习资源列表 附录C数学推导BPTT算法 参考文献