- 中国铁道出版社
- 9787113307394
- 1版
- 531537
- 16开
- 2024-08
- 计算机类
- 高职
内容简介
本书结合职业教育各专业学生发展需要，针对应用型“机器学习”专业课程而编写，具有丰富的知识性与应用特色，意在帮助学生理解机器学习的原理，了解机器学习的算法思想，熟悉机器学习的应用场景，掌握机器学习的运用方法。
本书知识内容系统、全面，包括机器学习基础、线性模型、决策树、神经网络、贝叶斯分类器、集成学习、支持向量机、聚类分析、降维与特征选择、半监督学习、概率图模型、推荐系统、深度学习、强化学习和机器学习的发展等内容。本书每课都设计有导读案例、作业及以典型案例分析为主的实训任务。
与本书配套的教学PPT课件等资源可从中国铁道出版社教育资源数字化平台（https://www.tdpress.com/51eds/）下载，欢迎教师与编者交流并索取为本书教学配套的相关资料。
本书适合作为职业教育人工智能技术应用专业教材，也可作为对人工智能相关领域感兴趣读者的参考书。
本书知识内容系统、全面，包括机器学习基础、线性模型、决策树、神经网络、贝叶斯分类器、集成学习、支持向量机、聚类分析、降维与特征选择、半监督学习、概率图模型、推荐系统、深度学习、强化学习和机器学习的发展等内容。本书每课都设计有导读案例、作业及以典型案例分析为主的实训任务。
与本书配套的教学PPT课件等资源可从中国铁道出版社教育资源数字化平台（https://www.tdpress.com/51eds/）下载，欢迎教师与编者交流并索取为本书教学配套的相关资料。
本书适合作为职业教育人工智能技术应用专业教材，也可作为对人工智能相关领域感兴趣读者的参考书。
目录
第1课 概??述1
【导读案例】机器学习名字的由来1
1.1 什么是机器学习2
1.1.1 机器学习的发展2
1.1.2 机器学习的定义4
1.1.3 机器学习的研究5
1.2 机器学习的分类6
1.2.1 监督学习6
1.2.2 无监督学习7
1.2.3 强化学习7
1.2.4 其他类别7
1.3 机器学习基本结构8
1.4 机器学习算法9
1.5 机器学习的应用13
1.5.1 回归、分类和特征设计14
1.5.2 数据分析与挖掘15
1.5.3 模式识别16
1.5.4 生物信息学16
1.5.5 AI聊天机器人17
1.5.6 自动驾驶17
【作业】18
【实训】机器学习能做什么19
第2课 机器学习基础26
【导读案例】CPU和GPU的区别26
2.1 机器学习的学习基础28
2.1.1 Python程序设计语言28
2.1.2 线性代数知识29
2.1.3 微积分知识30
2.1.4 算法及其评价30
2.2 基本术语32
2.3 假设空间33
2.4 归纳偏好35
2.5 经验误差与拟合36
2.6 评估与度量37
2.6.1 调参与最终模型37
2.6.2 性能度量38
2.6.3 比较检验38
2.7 偏差与方差38
【作业】39
【实训】Python机器学习代码：
鸢尾花分类41
第3课 线性模型45
【导读案例】高斯与最小二乘法45
3.1 回归分析46
3.1.1 回归分析的场景46
3.1.2 不同的回归分析方法47
3.1.3 回归分析的步骤48
3.2 线性回归48
3.2.1 线性模型的基本形式48
3.2.2 一元线性回归49
3.2.3 多元线性回归50
3.2.4 狭义和广义的线性模型51
3.3 线性模型解决非线性问题51
3.4 建模方法论52
3.4.1 随机分布和指数分布族52
3.4.2 链接函数52
3.4.3 机器学习中的方差52
3.4.4 类别不平衡问题53
3.5 多分类学习53
【作业】54
【实训】Excel线性回归模型分析56
第4课 决策树59
【导读案例】谷歌发布机器人视觉语言
动作模型 RT-259
4.1 什么是决策树60
4.1.1 决策树的定义60
4.1.2 决策树结构61
4.1.3 决策树学习62
4.2 决策树学习的步骤63
4.2.1 特征选择63
4.2.2 决策树生成65
4.3 决策树剪枝65
4.3.1 预剪枝66
4.3.2 后剪枝66
4.4 决策树算法66
4.4.1 信息增益、增益率与基尼系数67
4.4.2 ID3、C4.5和CART算法67
4.5 随机森林68
4.5.1 学习算法68
4.5.2 随机森林构建68
【作业】69
【实训】某饭店的单级和多级
决策树分析71
第5课 神经网络75
【导读案例】神经网络的几起几落75
5.1 动物的中枢神经系统76
5.1.1 神经系统的结构76
5.1.2 神经系统学习机制77
5.2 了解人工神经网络78
5.2.1 人工神经网络的定义78
5.2.2 人工神经网络的研究79
5.2.3 人工神经网络的架构80
5.3 类脑计算机80
5.4 主要神经网络结构图解80
5.4.1 标准网络81
5.4.2 不同类型的循环神经网络81
5.4.3 不同类型的自动编码器82
5.4.4 不同结构的卷积神经网络83
【作业】84
【实训】神经网络的Python简单实例86
第6课 贝叶斯分类器99
【导读案例】贝叶斯之谜99
6.1 贝叶斯模型100
6.1.1 贝叶斯学派100
6.1.2 先验与后验概率100
6.1.3 贝叶斯定理101
6.2 贝叶斯分类102
6.3 朴素贝叶斯分类103
6.3.1 算法设计的概念103
6.3.2 朴素贝叶斯分类算法104
6.3.3 半朴素贝叶斯分类器104
6.4 EM算法105
6.5 朴素贝叶斯分类流程105
6.6 朴素贝叶斯定理应用106
6.6.1 文本分类106
6.6.2 贝叶斯拼写检查器108
【作业】109
【实训】朴素贝叶斯分类示例三则111
第7课 集成学习115
【导读案例】对AI模型的大规模红队
演练115
7.1 集成学习的概念117
7.1.1 集成学习的方法118
7.1.2 集成学习的发展118
7.1.3 集成学习的主流方法119
7.2 Boosting120
7.3 Bagging与随机森林121
7.3.1 置信区间与置信水平121
7.3.2 Bagging122
7.3.3 随机森林123
7.3.4 Boosting与Bagging123
7.4 Stacking124
7.5 结合策略124
7.5.1 平均法125
7.5.2 投票法125
7.5.3 学习法125
7.6 多样性126
7.7 模型融合方法126
7.7.1 线性加权融合法126
7.7.2 交叉融合法127
7.7.3 瀑布融合法127
7.7.4 特征融合法127
7.7.5 预测融合法128
7.7.6 分类器Boosting思想128
【作业】128
【实训】用集成学习方法破解
AI实践难题130
第8课 支持向量机133
【导读案例】机器学习助力绘制
人脑地图133
8.1 支持向量机基础135
8.1.1 关于分类分析135
8.1.2 线性可分与线性不可分135
8.2 什么是支持向量机136
8.2.1 SVM的定义137
8.2.2 SVM工作方式138
8.2.3 SVM的性质140
8.2.4 SVM算法原理140
8.3 线性可分SVM——硬间隔141
8.3.1 超平面与间隔141
8.3.2 间隔最大化142
8.3.3 支持向量142
8.4 线性SVM——软间隔142
8.5 非线性SVM——核技巧143
【作业】144
【实训】一个支持向量机算法
（Python）的简单案例145
第9课 聚类分析149
【导读案例】神经科学三大基本
定律149
9.1 什么是聚类150
9.1.1 聚类的定义151
9.1.2 性能度量152
9.1.3 距离计算152
9.2 基于原型的聚类153
9.2.1 k-均值及其变体154
9.2.2 学习向量量化159
9.2.3 高斯混合聚类159
9.3 基于密度的DBSCAN聚类160
9.4 基于层次的聚类163
9.4.1 分裂型层次聚类164
9.4.2 团聚型层次聚类164
9.5 聚类算法比较165
【作业】165
【实训】用k-均值聚类算法分析
水道航行条件167
第10课 降维与特征选择171
【导读案例】五大趋势塑造数据科学
和机器学习的未来171
10.1 数据降维172
10.1.1 维数与维数灾难172
10.1.2 稀疏性174
10.1.3 降维174
10.1.4 k-近邻学习175
10.2 降维技术176
10.2.1 主成分分析（PCA）176
10.2.2 线性判别分析（LDA）178
10.3 流形学习179
10.4 度量学习180
10.5 特征选择181
10.5.1 特征选择的意义181
10.5.2 子集搜索与评价181
10.5.3 过滤式选择182
10.5.4 包裹式选择182
10.5.5 嵌入式选择182
10.6 稀疏表示与字典学习183
10.7 压缩感知184
【作业】184
【实训】学习PCA方法降维
（Python实现）186
第11课 半监督学习191
【导读案例】游戏人工智能191
11.1 半监督学习基础193
11.1.1 关于弱监督学习193
11.1.2 半监督学习的定义194
11.1.3 一致性正则化195
11.1.4 起源与发展196
11.2 三个基本假设196
11.3 半监督学习分类198
11.4 代理标签方法199
11.4.1 自训练方法199
11.4.2 多视图训练200
11.4.3 协同训练200
11.4.4 三体训练201
11.5 自监督学习201
【作业】202
【实训】半监督学习在视觉关系
检测上的应用203
第12课 概率图模型207
【导读案例】几乎所有验证码测试中
机器人都能胜过人类207
12.1 概率图模型概述208
12.1.1 概率图模型的定义208
12.1.2 条件独立性209
12.2 概率图模型分类210
12.2.1 因子图210
12.2.2 有向图模型211
12.2.3 无向图模型212
12.3 构造贝叶斯网络212
12.3.1 表示（结构）213
12.3.2 推断213
12.3.3 学习214
12.3.4 一个简单例子214
【作业】215
【实训】贝叶斯网络初步应用：
胸部疾病诊所217
第13课 推荐系统222
【导读案例】奈飞推荐系统222
13.1 推荐系统概述225
13.1.1 推荐系统的定义225
13.1.2 推荐策略226
13.1.3 推荐方法组合228
13.2 评价推荐系统229
13.3 协同过滤229
13.4 推荐方法231
13.4.1 基于用户评价的推荐231
13.4.2 基于人的推荐232
13.4.3 基于标签的推荐232
【作业】232
【实训】开发实战：新闻推荐系统234
第14课 深度学习237
【导读案例】MIT新突破：新型光学
深度神经网络系统237
14.1 深度学习概述238
14.1.1 深度学习的概念239
14.1.2 深度学习的意义239
14.1.3 深度学习的定义240
14.2 深度神经网络241
14.2.1 神经网络理解图片241
14.2.2 训练神经网络242
14.3 深度学习的方法243
14.3.1 识别正方形243
14.3.2 识别猫243
14.3.3 训练机械手抓取动作244
14.3.4 训练人工神经网络写文章244
14.3.5 图像深度信息采集244
14.3.6 胃镜检查245
14.4 卷积神经网络245
14.4.1 为什么选择卷积246
14.4.2 卷积神经网络结构247
14.5 深度学习的应用248
【作业】249
【实训】ChatGPT是个啥？251
第15课 强化学习255
【导读案例】什么是大模型（LLM）255
15.1 强化学习的定义257
15.1.1 发展历史258
15.1.2 基本原理258
15.1.3 模型设计259
15.1.4 数据依赖性260
15.2 与监督学习的区别261
15.2.1 学习方式261
15.2.2 先验知识与标注数据263
15.3 强化学习方法263
15.3.1 基于模型与免模型环境263
15.3.2 探索与利用264
15.3.3 预测与控制264
15.4 强化学习分类264
15.4.1 从奖励中学习265
15.4.2 被动强化学习265
15.4.3 主动强化学习266
15.4.4 强化学习中的泛化266
15.4.5 学徒学习与逆强化学习266
15.5 强化学习的应用267
15.5.1 游戏博弈267
15.5.2 机器人控制268
15.5.3 医疗服务业268
15.5.4 电子商务269
【作业】269
【实训】强化学习简单例子：
机器狗迷宫271
第16课 机器学习的发展277
【导读案例】Meta科学家发现深度
学习神经缩放定律277
16.1 机器学习的可持续发展279
16.2 迁移学习279
16.2.1 迁移学习的定义280
16.2.2 迁移学习的分类282
16.3 对抗学习284
16.3.1 对抗学习的基础284
16.3.2 对抗学习的定义285
16.3.3 对抗学习的类别285
16.4 分布式机器学习286
16.5 自动机器学习287
16.5.1 超参数优化287
16.5.2 元学习288
16.5.3 神经网络架构搜索289
16.5.4 自动化特征工程289
【作业】289
【课堂学习与实训总结】291
作业参考答案 296
参考文献 300
【导读案例】机器学习名字的由来1
1.1 什么是机器学习2
1.1.1 机器学习的发展2
1.1.2 机器学习的定义4
1.1.3 机器学习的研究5
1.2 机器学习的分类6
1.2.1 监督学习6
1.2.2 无监督学习7
1.2.3 强化学习7
1.2.4 其他类别7
1.3 机器学习基本结构8
1.4 机器学习算法9
1.5 机器学习的应用13
1.5.1 回归、分类和特征设计14
1.5.2 数据分析与挖掘15
1.5.3 模式识别16
1.5.4 生物信息学16
1.5.5 AI聊天机器人17
1.5.6 自动驾驶17
【作业】18
【实训】机器学习能做什么19
第2课 机器学习基础26
【导读案例】CPU和GPU的区别26
2.1 机器学习的学习基础28
2.1.1 Python程序设计语言28
2.1.2 线性代数知识29
2.1.3 微积分知识30
2.1.4 算法及其评价30
2.2 基本术语32
2.3 假设空间33
2.4 归纳偏好35
2.5 经验误差与拟合36
2.6 评估与度量37
2.6.1 调参与最终模型37
2.6.2 性能度量38
2.6.3 比较检验38
2.7 偏差与方差38
【作业】39
【实训】Python机器学习代码：
鸢尾花分类41
第3课 线性模型45
【导读案例】高斯与最小二乘法45
3.1 回归分析46
3.1.1 回归分析的场景46
3.1.2 不同的回归分析方法47
3.1.3 回归分析的步骤48
3.2 线性回归48
3.2.1 线性模型的基本形式48
3.2.2 一元线性回归49
3.2.3 多元线性回归50
3.2.4 狭义和广义的线性模型51
3.3 线性模型解决非线性问题51
3.4 建模方法论52
3.4.1 随机分布和指数分布族52
3.4.2 链接函数52
3.4.3 机器学习中的方差52
3.4.4 类别不平衡问题53
3.5 多分类学习53
【作业】54
【实训】Excel线性回归模型分析56
第4课 决策树59
【导读案例】谷歌发布机器人视觉语言
动作模型 RT-259
4.1 什么是决策树60
4.1.1 决策树的定义60
4.1.2 决策树结构61
4.1.3 决策树学习62
4.2 决策树学习的步骤63
4.2.1 特征选择63
4.2.2 决策树生成65
4.3 决策树剪枝65
4.3.1 预剪枝66
4.3.2 后剪枝66
4.4 决策树算法66
4.4.1 信息增益、增益率与基尼系数67
4.4.2 ID3、C4.5和CART算法67
4.5 随机森林68
4.5.1 学习算法68
4.5.2 随机森林构建68
【作业】69
【实训】某饭店的单级和多级
决策树分析71
第5课 神经网络75
【导读案例】神经网络的几起几落75
5.1 动物的中枢神经系统76
5.1.1 神经系统的结构76
5.1.2 神经系统学习机制77
5.2 了解人工神经网络78
5.2.1 人工神经网络的定义78
5.2.2 人工神经网络的研究79
5.2.3 人工神经网络的架构80
5.3 类脑计算机80
5.4 主要神经网络结构图解80
5.4.1 标准网络81
5.4.2 不同类型的循环神经网络81
5.4.3 不同类型的自动编码器82
5.4.4 不同结构的卷积神经网络83
【作业】84
【实训】神经网络的Python简单实例86
第6课 贝叶斯分类器99
【导读案例】贝叶斯之谜99
6.1 贝叶斯模型100
6.1.1 贝叶斯学派100
6.1.2 先验与后验概率100
6.1.3 贝叶斯定理101
6.2 贝叶斯分类102
6.3 朴素贝叶斯分类103
6.3.1 算法设计的概念103
6.3.2 朴素贝叶斯分类算法104
6.3.3 半朴素贝叶斯分类器104
6.4 EM算法105
6.5 朴素贝叶斯分类流程105
6.6 朴素贝叶斯定理应用106
6.6.1 文本分类106
6.6.2 贝叶斯拼写检查器108
【作业】109
【实训】朴素贝叶斯分类示例三则111
第7课 集成学习115
【导读案例】对AI模型的大规模红队
演练115
7.1 集成学习的概念117
7.1.1 集成学习的方法118
7.1.2 集成学习的发展118
7.1.3 集成学习的主流方法119
7.2 Boosting120
7.3 Bagging与随机森林121
7.3.1 置信区间与置信水平121
7.3.2 Bagging122
7.3.3 随机森林123
7.3.4 Boosting与Bagging123
7.4 Stacking124
7.5 结合策略124
7.5.1 平均法125
7.5.2 投票法125
7.5.3 学习法125
7.6 多样性126
7.7 模型融合方法126
7.7.1 线性加权融合法126
7.7.2 交叉融合法127
7.7.3 瀑布融合法127
7.7.4 特征融合法127
7.7.5 预测融合法128
7.7.6 分类器Boosting思想128
【作业】128
【实训】用集成学习方法破解
AI实践难题130
第8课 支持向量机133
【导读案例】机器学习助力绘制
人脑地图133
8.1 支持向量机基础135
8.1.1 关于分类分析135
8.1.2 线性可分与线性不可分135
8.2 什么是支持向量机136
8.2.1 SVM的定义137
8.2.2 SVM工作方式138
8.2.3 SVM的性质140
8.2.4 SVM算法原理140
8.3 线性可分SVM——硬间隔141
8.3.1 超平面与间隔141
8.3.2 间隔最大化142
8.3.3 支持向量142
8.4 线性SVM——软间隔142
8.5 非线性SVM——核技巧143
【作业】144
【实训】一个支持向量机算法
（Python）的简单案例145
第9课 聚类分析149
【导读案例】神经科学三大基本
定律149
9.1 什么是聚类150
9.1.1 聚类的定义151
9.1.2 性能度量152
9.1.3 距离计算152
9.2 基于原型的聚类153
9.2.1 k-均值及其变体154
9.2.2 学习向量量化159
9.2.3 高斯混合聚类159
9.3 基于密度的DBSCAN聚类160
9.4 基于层次的聚类163
9.4.1 分裂型层次聚类164
9.4.2 团聚型层次聚类164
9.5 聚类算法比较165
【作业】165
【实训】用k-均值聚类算法分析
水道航行条件167
第10课 降维与特征选择171
【导读案例】五大趋势塑造数据科学
和机器学习的未来171
10.1 数据降维172
10.1.1 维数与维数灾难172
10.1.2 稀疏性174
10.1.3 降维174
10.1.4 k-近邻学习175
10.2 降维技术176
10.2.1 主成分分析（PCA）176
10.2.2 线性判别分析（LDA）178
10.3 流形学习179
10.4 度量学习180
10.5 特征选择181
10.5.1 特征选择的意义181
10.5.2 子集搜索与评价181
10.5.3 过滤式选择182
10.5.4 包裹式选择182
10.5.5 嵌入式选择182
10.6 稀疏表示与字典学习183
10.7 压缩感知184
【作业】184
【实训】学习PCA方法降维
（Python实现）186
第11课 半监督学习191
【导读案例】游戏人工智能191
11.1 半监督学习基础193
11.1.1 关于弱监督学习193
11.1.2 半监督学习的定义194
11.1.3 一致性正则化195
11.1.4 起源与发展196
11.2 三个基本假设196
11.3 半监督学习分类198
11.4 代理标签方法199
11.4.1 自训练方法199
11.4.2 多视图训练200
11.4.3 协同训练200
11.4.4 三体训练201
11.5 自监督学习201
【作业】202
【实训】半监督学习在视觉关系
检测上的应用203
第12课 概率图模型207
【导读案例】几乎所有验证码测试中
机器人都能胜过人类207
12.1 概率图模型概述208
12.1.1 概率图模型的定义208
12.1.2 条件独立性209
12.2 概率图模型分类210
12.2.1 因子图210
12.2.2 有向图模型211
12.2.3 无向图模型212
12.3 构造贝叶斯网络212
12.3.1 表示（结构）213
12.3.2 推断213
12.3.3 学习214
12.3.4 一个简单例子214
【作业】215
【实训】贝叶斯网络初步应用：
胸部疾病诊所217
第13课 推荐系统222
【导读案例】奈飞推荐系统222
13.1 推荐系统概述225
13.1.1 推荐系统的定义225
13.1.2 推荐策略226
13.1.3 推荐方法组合228
13.2 评价推荐系统229
13.3 协同过滤229
13.4 推荐方法231
13.4.1 基于用户评价的推荐231
13.4.2 基于人的推荐232
13.4.3 基于标签的推荐232
【作业】232
【实训】开发实战：新闻推荐系统234
第14课 深度学习237
【导读案例】MIT新突破：新型光学
深度神经网络系统237
14.1 深度学习概述238
14.1.1 深度学习的概念239
14.1.2 深度学习的意义239
14.1.3 深度学习的定义240
14.2 深度神经网络241
14.2.1 神经网络理解图片241
14.2.2 训练神经网络242
14.3 深度学习的方法243
14.3.1 识别正方形243
14.3.2 识别猫243
14.3.3 训练机械手抓取动作244
14.3.4 训练人工神经网络写文章244
14.3.5 图像深度信息采集244
14.3.6 胃镜检查245
14.4 卷积神经网络245
14.4.1 为什么选择卷积246
14.4.2 卷积神经网络结构247
14.5 深度学习的应用248
【作业】249
【实训】ChatGPT是个啥？251
第15课 强化学习255
【导读案例】什么是大模型（LLM）255
15.1 强化学习的定义257
15.1.1 发展历史258
15.1.2 基本原理258
15.1.3 模型设计259
15.1.4 数据依赖性260
15.2 与监督学习的区别261
15.2.1 学习方式261
15.2.2 先验知识与标注数据263
15.3 强化学习方法263
15.3.1 基于模型与免模型环境263
15.3.2 探索与利用264
15.3.3 预测与控制264
15.4 强化学习分类264
15.4.1 从奖励中学习265
15.4.2 被动强化学习265
15.4.3 主动强化学习266
15.4.4 强化学习中的泛化266
15.4.5 学徒学习与逆强化学习266
15.5 强化学习的应用267
15.5.1 游戏博弈267
15.5.2 机器人控制268
15.5.3 医疗服务业268
15.5.4 电子商务269
【作业】269
【实训】强化学习简单例子：
机器狗迷宫271
第16课 机器学习的发展277
【导读案例】Meta科学家发现深度
学习神经缩放定律277
16.1 机器学习的可持续发展279
16.2 迁移学习279
16.2.1 迁移学习的定义280
16.2.2 迁移学习的分类282
16.3 对抗学习284
16.3.1 对抗学习的基础284
16.3.2 对抗学习的定义285
16.3.3 对抗学习的类别285
16.4 分布式机器学习286
16.5 自动机器学习287
16.5.1 超参数优化287
16.5.2 元学习288
16.5.3 神经网络架构搜索289
16.5.4 自动化特征工程289
【作业】289
【课堂学习与实训总结】291
作业参考答案 296
参考文献 300
