MATLAB機器學習實用教程

目    錄

第1章  機器學習基礎 1

1.1  機器學習概述 1

1.1.1  “機器學習”是什麽 1

1.1.2  機器學習的流程 1

1.1.3  機器學習的類型 2

1.1.4  典型的機器學習算法 2

1.2  機器學習的發展歷程 2

1.2.1  早期階段 3

1.2.2  發展期 3

1.2.3  繁榮期 3

1.2.4  機器學習的現狀和發展趨勢 3

1.3  機器學習的應用 4

1.3.1  數據挖掘 4

1.3.2  模式識別 4

1.3.3  因特網和電子商務 4

1.3.4  電子游戲 4

1.3.5  金融領域 4

1.4  MATLAB和機器學習 5

1.4.1  MATLAB軟件 5

1.4.2  MATLAB在機器學習中的

應用案例 5

第2章  線性回歸 6

2.1  最小二乘法 6

2.1.1  概述 6

2.1.2  一元線性回歸案例與

MATLAB編程 6

2.1.3  多元線性回歸案例 8

2.2  魯棒線性回歸 9

2.2.1  概述 9

2.2.2  robustfit函數的應用案例

與MATLAB編程 9

2.2.3  fitlm函數的應用案例

與MATLAB編程 11

2.3  逐步回歸 12

2.3.1  概述 12

2.3.2  基於默認值的逐步回歸案例 12

2.3.3  基於自己設置的標準值的

逐步回歸案例與MATLAB

編程 13

2.4  嶺回歸 14

2.4.1  概述 14

2.4.2  嶺回歸案例 14

2.5  Lasso回歸和彈性網回歸 16

2.5.1  概述 16

2.5.2  Lasso回歸案例與MATLAB

編程 16

2.5.3  彈性網回歸案例與MATLAB

編程 17

2.6  邏輯回歸 18

2.6.1  概述 18

2.6.2  邏輯回歸預測案例

與MATLAB編程 18

2.6.3  邏輯回歸分類案例

與MATLAB編程 20

第3章  非線性回歸 24

3.1  多項式曲線擬合 24

3.1.1  概述 24

3.1.2  多項式曲線擬合案例

與MATLAB編程 24

3.2  典型函數曲線擬合 27

3.2.1  指數函數曲線擬合案例

與MATLAB編程 27

3.2.2  冪函數曲線擬合案例

與MATLAB編程 29

3.2.3  傅里葉函數曲線擬合案例

與MATLAB編程 30

3.2.4  高斯函數曲線擬合案例

與MATLAB編程 31

3.3  曲面擬合、插值和樣條擬合 33

3.3.1  曲面擬合案例

與MATLAB編程 33

3.3.2  插值案例與MATLAB編程 34

3.3.3  樣條擬合案例

與MATLAB編程 35

3.3.4  樣條平滑化擬合案例

與MATLAB編程 36

第4章  分類和聚類 38

4.1  分類算法1——判別分析 38

4.1.1  概述 38

4.1.2  判別分析分類案例與

MATLAB編程 38

4.2  分類算法2——樸素貝葉斯法 40

4.2.1  概述 40

4.2.2  樸素貝葉斯法分類案例與

MATLAB編程 40

4.3  分類算法3——K最近鄰算法 41

4.3.1  概述 41

4.3.2  K最近鄰算法分類案例與

MATLAB編程 42

4.4  聚類算法1——K均值算法 43

4.4.1  概述 43

4.4.2  K均值算法聚類案例與

MATLAB編程 43

4.5  聚類算法2——高斯混合模型 49

4.5.1  概述 49

4.5.2  高斯混合模型聚類案例與

MATLAB編程 49

第5章  人工神經網絡 55

5.1  人工神經網絡在數據擬合中的應用 55

5.1.1  概述 55

5.1.2  人工神經網絡擬合案例與

MATLAB編程 56

5.2  影響人工神經網絡模型預測性能的

因素 60

5.2.1  隱含層的神經元數量 60

5.2.2  隱含層的層數 61

5.2.3  訓練算法的類型 62

5.2.4  網絡類型 63

5.3  人工神經網絡在分類中的應用 66

5.3.1  概述 66

5.3.2  人工神經網絡分類案例與

MATLAB編程 66

第6章  支持向量機 71

6.1  支持向量機在回歸中的應用 71

6.1.1  概述 71

6.1.2  支持向量機回歸案例與

MATLAB編程 72

6.2  預測性能的影響因素 74

6.2.1  高斯核函數 74

6.2.2  多項式核函數 75

6.3  定量影響分析 76

6.3.1  概述 76

6.3.2  定量影響分析案例與

MATLAB編程 76

6.4  支持向量機在分類中的應用 82

6.4.1  概述 82

6.4.2  支持向量機分類案例與

MATLAB編程 82

第7章  決策樹 88

7.1  決策樹的原理 88

7.1.1  決策樹的構建方法 88

7.1.2  決策樹的應用 89

7.1.3  決策樹的剪枝 90

7.1.4  構建決策樹的算法 90

7.2  決策樹在分類中的應用 90

7.2.1  概述 90

7.2.2  決策樹分類案例與

MATLAB編程 90

7.3  決策樹在回歸中的應用 94

7.3.1  概述 94

7.3.2  決策樹回歸案例與

MATLAB編程 95

第8章  模糊邏輯 102

8.1  模糊聚類 102

8.1.1  概述 102

8.1.2  模糊聚類案例與MATLAB

編程 102

8.2  模糊邏輯在時間序列預測中的

應用 107

8.2.1  概述 107

8.2.2  模糊邏輯的預測應用

案例與MATLAB編程 108

第9章  集成學習 115

9.1  集成學習在回歸中的應用 115

9.1.1  fitrensemble函數 115

9.1.2  fitrensemble函數的回歸應用

案例與MATLAB編程 115

9.1.3  TreeBagger函數 119

9.1.4  TreeBagger函數的回歸應用

案例與MATLAB編程 119

9.2  集成學習在分類中的應用 123

9.2.1  fitcensemble函數 123

9.2.2  fitcensemble函數的分類應用

案例與MATLAB編程 123

9.2.3  TreeBagger函數 126

9.2.4  TreeBagger函數的分類應用

案例與MATLAB編程 126

第10章  半監督學習 130

10.1  基於圖形法的半監督學習分類 130

10.1.1  概述 130

10.1.2  基於圖形法的半監督學習

分類案例與MATLAB

編程 130

10.2  基於自訓練法的半監督學習分類 138

10.2.1  概述 138

10.2.2  基於自訓練法的半監督

學習分類案例與MATLAB

編程 138

第11章  強化學習 146

11.1  強化學習在機器人中的應用 146

11.1.1  概述 146

11.1.2  基於Q學習算法的強化

學習案例與MATLAB

編程 147

11.1.3  基於SARSA算法的強化

學習案例的MATLAB

編程 150

11.2  強化學習在自動駕駛中的應用 154

11.2.1  概述 154

11.2.2  基於Q學習算法的強化

學習案例與MATLAB

編程 154

11.2.3  基於SARSA算法的強化

學習案例與MATLAB

編程 158

第12章  關聯規則學習 164

12.1  關聯規則學習 164

12.1.1  什麽是關聯規則學習 164

12.1.2  來源——“啤酒和尿布”的

故事 164

12.1.3  應用領域 164

12.2  關聯規則學習在購物中的應用 165

12.2.1  概述 165

12.2.2  關聯規則學習在購物中的

應用案例與MATLAB

編程 165

12.3  關聯規則學習在因特網內容

推送中的應用 173

12.3.1  概述 173

12.3.2  因特網內容推送案例與

MATLAB編程 173

第13章  深度學習 187

13.1  概述 187

13.1.1  什麽是深度學習 187

13.1.2  應用 188

13.2  捲積神經網絡 188

13.2.1  概述 188

13.2.2  CNN圖像識別案例與

MATLAB編程 188

13.2.3  CNN回歸分析案例與

MATLAB編程 199

13.3  長短期記憶神經網絡 202

13.3.1  概述 202

13.3.2  LSTM回歸案例與

MATLAB編程 202

13.3.3  LSTM時序預測案例與

MATLAB編程 204

第14章  機器閱讀 208

14.1  機器信息統計 208

14.1.1  信息檢索和提取案例與

MATLAB編程 208

14.1.2  詞頻統計案例與

MATLAB編程 210

14.2  文本的情感分析 211

14.2.1  概述 211

14.2.2  文本情感分析案例與

MATLAB編程 211

14.3  機器識別漢字 215

14.3.1  漢字和意義的數字化表徵 215

14.3.2  建立映射關系 220

14.3.3  轉化數字形式的結果為

圖片 220

第15章  機器寫作 225

15.1  基於記憶原理的機器寫作 225

15.1.1  字詞的數字化表徵 225

15.1.2  記憶字詞 226

15.1.3  回憶字詞 227

15.1.4  機器寫作 229

15.2  基於深度學習的機器寫作 231

15.2.1  搜集訓練樣本 231

15.2.2  訓練樣本的數字化表徵 231

15.2.3  記憶字詞 232

15.2.4  回憶和寫作 232

15.2.5  改變量字化表徵方法 233

15.2.6  LSTM模型寫作程序的

修改 234

15.3  影響LSTM模型寫作質量的

因素 236

15.3.1  訓練樣本的次序 236

15.3.2  訓練樣本的頻率 238

15.3.3  LSTM模型的訓練次數 239

15.3.4  數字化表徵方法和訓練

次數的耦合影響 240