MATLAB 機器學習 (MATLAB for Machine Learning)

[意]朱塞佩·恰布羅(Giuseppe Ciaburro)

  • MATLAB 機器學習 (MATLAB for Machine Learning)-preview-1
  • MATLAB 機器學習 (MATLAB for Machine Learning)-preview-2
MATLAB 機器學習 (MATLAB for Machine Learning)-preview-1

買這商品的人也買了...

商品描述

MATLAB為機器學習領域提供了必要的工具。
用戶可以藉助MATLAB環境提供的強大交互式圖形界面,非常輕鬆地解決機器學習問題。
本書在介紹每個主題前,會簡要概述其理論基礎,然後輔以實際案例進行闡釋。
通過閱讀本書,讀者能夠應用機器學習方法,並能充分利用MATLAB的功能解決實際問題。
本書前3章主要介紹MATLAB機器學習的基礎知識、
使用MATLAB導入數據和組織數據的方法以及從數據到知識發掘的方法,
中間3章主要介紹回歸分析、分類分析以及無監督學習,*後3章介紹人工神經網絡、
降維變換的方法以及機器學習實戰的相關知識。
本書可供數據分析員、數據科學家以及任何希望學習機器學習算法以及構建數據處理、預測應用的讀者閱讀。  

作者簡介

Giuseppe Ciaburro

獲有意大利那不勒斯腓特烈二世大學(Università degli Studi di Napoli Federico Ⅱ)
的化學工程碩士學位和那不勒斯*二大學(Seconda Università degli Studi di Napoli)
的聲學和噪聲控制碩士學位。
他目前在意大利坎帕尼亞的一所大學(Università degli Studi della Campania“Luigi Vanvitelli”)
的建成環境控制實驗室工作。他在燃燒領域以及聲學和噪聲控制領域方面有15年以上的編程工作經驗。
他使用的核心編程語言是Python和R,並且在使用MATLAB上也有豐富的經驗。
Giuseppe雖為聲學和噪聲控制領域的專家,但他在專業計算機課程的教學以及在線課程方面也有豐富的經驗。
他出版過專著,也在科學期刊、主題會議上發表過文章。
近期他的研究方向是將機器學習應用到聲學和噪聲控制理論中。

目錄大綱

目錄:  
第1章MATLAB機器學習初體驗1  
1.1機器學習基礎1  
1.2機器學習算法的分類4  
1.2.1監督學習4  
1.2.2非監督學習5  
1.2.3強化學習5  
1.3選擇正確的算法6  
1.4構建機器學習模型的流程7  
1.5 MATLAB中的機器學習支持簡介8  
1.5.1操作系統、硬件平台要求10  
1.5.2 MATLAB安裝要求11  
1.6統計機器學習工具箱11  
1.6.1數據類型13  
1.6.2統計機器學習工具箱功能簡介13  
1.7神經網絡工具箱18  
1.8 MATLAB中的統計學和線性代數19  
1.9總結21  

第2章使用MATLAB導入數據和組織數據22  
2.1熟悉MATLAB桌面22  
2.2將數據導入MATLAB 27  
2.2.1導入嚮導27  
2.2.2通過程序語句導入數據29  
2.3從MATLAB導出數據36  
2.4處理媒體文件37  
2.4.1處理圖像數據37  
2.4.2音頻的導入/導出39  
2.5數據組織39  
2.5.1元胞數組40  
2.5.2結構體數組42  
2.5.3 table類型44  
2.5.4分類數組46  
2.6總結47  

第3章從數據到知識挖掘49  
3.1區分變量類別50  
3.1.1定量變量50  
3.1.2定性變量50  
3.2數據準備51  
3.2.1初步查看數據51  
3.2.2找到缺失值53  
3.2.3改變數據類型54  
3.2.4替換缺失值54  
3.2.5移除缺失值55  
3.2 .6為表格排序56  
3.2.7找到數據中的異常值56  
3.2.8將多個數據源合併成一個數據源57  
3.3探索性統計指標—數值測量59  
3.3.1位置測量59  
3.3.2分散度的測量61  
3.3.3分佈形狀的測量64  
3.4探索性可視化66  
3.4.1圖形數據統計分析對話框67  
3.4.2柱狀圖70  
3.4.3箱形圖75  
3.4.4散點圖77  
3.5總結78  

第4章找到變量之間的關係—回歸方法80  
4.1尋找線性關係80  
4.1.1 *小二乘回歸81  
4.1.2基本擬合接口86  
4.2如何創建一個線性回歸模型88  
4.2.1通過穩健回歸消除異常值的影響93  
4.2.2多元線性回歸96  
4.3多項式回歸101  
4.4回歸學習器App 103  
4.5總結107 
 
第5章模式識別之分類算法108  
5.1決策樹分類108  
5.2概率分類模型—樸素貝葉斯分類115  
5.2.1概率論基礎116  
5.2.2使用樸素貝葉斯進行分類119  
5.2.3 MATLAB中的貝葉斯方法120  
5.3判別分析分類123  
5.4 k鄰近算法128  
5.5 MATLAB分類學習器App 132  
5.6總結136  

第6章無監督學習137  
6.1聚類分析簡介137  
6.1.1相似度與離散度指標138  
6.1.2聚類方法類型簡介139  
6.2層次聚類算法141  
6.2.1層次聚類中的相似度指標141  
6.2.2定義層次聚類中的簇143  
6.2.3如何理解層次聚類圖145  
6.2.4驗證聚類結果147  
6.3 k均值聚類—基於均值聚類148  
6.3.1 k均值算法148  
6.3.2函數kmeans() 149  
6.3.3 silhouette圖—可視化聚類結果152  
6.4 k中心點聚類—基於樣本中心聚類153  
6.4.1什麼是中心點154  
6.4 .2函數kmedoids() 154  
6.4.3評估聚類結果156  
6.5高斯混合模型聚類156  
6.5.1高斯分佈156  
6.5.2 MATLAB中的GMM支持157  
6.5.3使用後驗概率分佈進行聚類159  
6.6總結160  

第7章人工神經網絡——模擬人腦的思考方式162  
7.1神經網絡簡介162  
7.2神經網絡基礎構成165  
7.2.1隱藏層數量170  
7.2.2每層的節點數量170  
7.2.3神經網絡訓練方法170  
7.3神經網絡工具箱171  
7.4工具箱的用戶界面175  
7.5使用神經網絡進行數據擬合176  
7.5.1如何使用擬合App(nftool) 178  
7.5.2腳本分析186  
7.6總結188  

第8章降維——改進機器學習模型的性能190  
8.1特徵選擇190  
8.1. 1分步回歸191  
8.1.2 MATLAB中的分步回歸192  
8.2特徵提取199  
8.3總結210 
 
第9章機器學習實戰211  
9.1用於預測混凝土質量的數據擬合211  
9.2使用神經網絡診斷甲狀腺疾病222  
9.3使用模糊聚類對學生進行分簇226  
9.4總結231