第一章 数据、数学与机器学习 1
1.1 概述 3
1.2 数学与机器学习 5
1.3 数据与机器学习 8
1.4 深度学习与强化学习 14
1.5 本章小结 19
第二章 分类与回归 21
2.1 常用的分类方法 24
2.2 分类的数学解释 32
2.3 回归分析 38
2.4 回归分析的数学解释 41
2.5 本章小结 46
第三章 特征选取 47
3.1 数据预处理的步骤 50
3.2 数据预处理与特征提取 57
3.3 主成分分析 59
3.4 因子分析 63
3.5 特征提取问题的数学解析 67
3.6 本章小结 72
第四章 聚类 75
4.1 基本概念 78
4.2 聚类的过程 82
4.3 分析方法 83
4.4 基于K-means算法的聚类规则 88
4.5 聚类问题的数学解释 91
4.6 本章小结 94
第五章 深度学习 97
5.1 概述 99
5.2 神经网络模型 101
5.3 神经网络学习方法 103
5.4 神经网络的数学解释 106
5.5 本章小结 111
第六章 强化学习 113
6.1 朴素贝叶斯 115
6.2 贝叶斯信念网 118
6.3 动态贝叶斯网络 120
6.4 一般时序模型 121
6.5 马尔可夫模型 131
6.6 本章小结 138
第七章 计算流与自组织 141
7.1 信息流与计算流的结合 143
7.2 学习中的自组织行为 144
7.3 神经动力学与自组织 153
参考文献 157