机器学习与深度学习算法基础北京线性回归和lasso回归介绍流形学习感知机模型

内容简介

目前，市场上的机器学习算法和深度学习算法相关入门书籍大都过于理论化和数学化，提高了学习门槛，使得不具有相关专业背景的读者望而却步；或是过于偏重实操，对于算法原理过于简略，使得读者无法形成对算法原理和可应用场景的基本认识。本书共分为上下两篇，共18章：其中DIYI篇为经典机器学习模型部分，主要讲解了常用的机器学习经典模型。第1章讲解线性回归和lasso回归，岭回归。第2章介绍SVM模型。第3章介绍逻辑斯蒂回归。第4章介绍决策树模型。第5章介绍k近邻算法。第6章介绍朴素贝叶斯模型。第7章介绍线性判别分析与主成分分析。第8章介绍流形学习。第9章介绍聚类算法。第10章介绍稀疏编码。第11章介绍T-SVM模型。第12章介绍集成算法与提升算法。第二篇为深度学习和神经网络部分，主要介绍了时下蕞流形和通用的一些模型。第13章介绍了感知机模型，并简述了深度学习和神经网络的相关脉络。第14章介绍了深度学习网络的相关组成部分。第15章介绍了CNN的基本原理。第16章介绍了RNN的基本原理。第17章介绍了GAN的基本原理。ZUI后，在第18章对本书进行了总结。

目录

DIYI篇  经典机器学习模型    

第1章    引言：从线性回归说起 2 

1.1    什么是机器学习 3 

1.1.1    传统算法与机器学习算法 4 

1.1.2    线性回归 9 

1.2    过拟合与正则化 10 

1.2.1    样本量与过拟合 10 

1.2.2    正则化方法 12 

1.3    岭回归和lasso回归 14 

1.3.1    岭回归 14 

1.3.2    lasso回归 17 

1.3.3    l1正则化和l2正则化 17 

1.4    本章小结与代码实现 21 

1.5    本章话题：机器学习的 

一般原理 25 

第2章    阴阳剖分：支持向量机模型 30 

2.1    支持向量机模型的基本思路 30 

2.1.1    支持向量机模型的 

基本思路 31 

2.1.2    支持向量机算法的 

基本流程 34 

2.2    数学形式与求解方法 34 

2.2.1    数学知识补充 35 

2.2.2    数学模型与理论推导 36 

2.3    核方法与维度问题 38 

2.3.1    核方法的含义 39 

2.3.2    核函数SVM 39 

2.4    软间隔支持向量机 41 

2.4.1    软间隔的含义 41 

2.4.2    软间隔SVM的损失 

函数 42 

2.5    本章小结与代码实现 44 

2.6    本章话题：高维度，是灾难 

还是契机？ 46 

第3章    化直为曲：逻辑斯蒂回归 50 

3.1    逻辑斯蒂回归的基本原理 50