前言
第1章机器学习概述
11机器学习基本概念
111人工智能与机器学习
112机器学习基本术语
113误差分析与模型评估
12机器学习发展历程
121感知机与连接学习
122符号学习与统计学习
123连接学习的兴起
13习题
第2章模型估计与优化
21模型参数估计
211最小二乘估计
212最大似然估计
22模型优化基本方法
221梯度下降法
222牛顿迭代法
23模型优化概率方法
231随机梯度法
232改进梯度法
233最大期望法
24模型正则化策略
241范数惩罚
242样本增强
25习题
第3章监督学习
31线性模型
311模型结构
312线性回归
313线性分类
32决策树模型
321模型结构
322判别标准
323模型构造
33贝叶斯模型
331贝叶斯方法
332贝叶斯分类
34支持向量机
341线性可分性
342核函数技术
343结构风险分析
35监督学习应用
351信用风险评估
352垃圾邮件检测
353车牌定位与识别
36习题
第4章无监督学习
41聚类分析
411划分聚类法
412密度聚类法
42主分量分析
421基本PCA方法
422核PCA方法
43半监督学习
431半监督学习假设
432半监督支持向量机
433半监督聚类
44无监督学习应用
441热点话题发现
442自动人脸识别
45习题
第5章集成学习
51集成学习基本知识
511集成学习基本概念
512集成学习基本范式
513集成学习泛化策略
52Bagging集成学习
521Bagging集成策略
522随机森林模型结构
523随机森林训练算法
53Boosting集成学习
531Boosting集成策略
532AdaBoost学习算法
54集成学习应用
541房价预测分析
542自动人脸检测
55习题
第6章神经网络与深度学习
61神经网络概述
611神经元与感知机
612前馈网络模型
613模型训练基本流程
62神经网络常用模型
621自编码器
622玻尔兹曼机
63深度学习基本知识
631浅层学习与深度学习
632深度堆栈网络
633深度置信网络
64神经网络应用
641光学字符识别
642自动以图搜图
65习题
第7章深度判别网络
71深度卷积网络
711卷积网络概述
712基本网络模型
713改进网络模型
72深度循环网络
721动态系统展开
722网络结构与计算
723模型训练策略
73转换器模型
731编码器与解码器
732自注意力机制
733转换器模型结构
74深度判别网络应用
741图像目标检测
742自动文本摘要
75习题
第8章深度生成网络
81生成对抗网络
811生成器与判别器
812网络结构与计算
813模型训练策略
82扩散模型
821扩散模型原理
822网络结构
823模型生成策略
83大语言模型
831模型概述与数据准备
832经典模型架构
833模型微调与解码
84深度生成网络应用
841图像修复
842图像超分辨
85习题
第9章深度强化学习
91强化学习基本知识
911强化学习概述
912马尔可夫模型
913策略迭代与值迭代
92基于价值的学习
921时序差分算法
922深度Q网络
923深度双Q网络
924DQN模型改进
93基于策略的学习
931策略梯度法
932Actor-Critic算法
933DDPG学习算法
94深度强化学习应用
941自动爬山小车
942智能巡航小车
95习题
参考文献