第1章 机器学习 1
1.1 什么是机器学习 1
1.1.1 深度学习的成果 1
1.1.2 学习、机器学习和深度学习 6
1.1.3 机器学习的分类 9
1.1.4 直至深度学习的机器学习历史 15
1.2 关于本书例题程序的执行环境 25
1.2.1 程序执行的流程 25
1.2.2 程序执行的实际情况 27
第2章 机器学习基础 31
2.1 归纳学习 31
2.1.1 演绎学习和归纳学习 31
2.1.2 归纳学习的例题——股票价格的预测 32
2.1.3 基于归纳学习的股价预测程序 37
2.2 强化学习 46
2.2.1 什么是强化学习 46
2.2.2 Q学习——强化学习的具体方法 48
2.2.3 强化学习的例题——走迷宫知识的学习 53
2.2.4 强化学习程序的实现 56
第3章 群体智能与演化方法 65
3.1 群体智能 65
3.1.1 粒子群最优化方法 65
3.1.2 蚁群最优化方法 67
3.1.3 蚁群最优化方法的实现 70
3.2 演化方法 81
3.2.1 什么是演化方法 81
3.2.2 基于遗传算法的知识获取 84
第4章 神经网络 101
4.1 神经网络基础 101
4.1.1 人工神经元模型 101
4.1.2 神经网络与学习 105
4.1.3 神经网络的种类 107
4.1.4 人工神经元的计算方法 108
4.1.5 神经网络的计算方法 115
4.2 基于反向传播的神经网络的学习 121
4.2.1 感知机的学习过程 121
4.2.2 反向传播的处理过程 123
4.2.3 反向传播的实现 125
第5章 深度学习 139
5.1 什么是深度学习 139
5.1.1 传统神经网络的局限和深度学习的思路 139
5.1.2 卷积神经网络 142
5.1.3 自编码器的学习方法 145
5.2 深度学习的实现 147
5.2.1 卷积运算的实现 148
5.2.2 卷积神经网络的实现 156
5.2.3 自编码器的实现 170
附录A生成行李的重量和价值的程序 183
附录B通过全搜索求解背包问题的程序 185
参考文献 189