数据挖掘与机器学习

孙家泽、王曙燕、路龙宾、张恒山、田振洲、王春梅、王小银

目录

  • 1 绪论
    • 1.1 引言及基本概念
    • 1.2 机器学习过程及发展历程
    • 1.3 机器学习算法及数据隐私权
  • 2 数据探索及预处理
    • 2.1 数据探索
    • 2.2 数据预处理
    • 2.3 数据归约
  • 3 线性模型
    • 3.1 线性回归
    • 3.2 线性分类
    • 3.3 多分类策略
  • 4 简单分类
    • 4.1 分类算法概念和KNN分类算法
    • 4.2 贝叶斯分类算法
    • 4.3 分类算法的评价
  • 5 决策树
    • 5.1 分类方法概述
    • 5.2 ID3算法
  • 6 集成学习
    • 6.1 集成学习简介
    • 6.2 如何进行有效的集成
    • 6.3 怎样生成基学习器
    • 6.4 集成的多样性与特征选择
    • 6.5 纠错输出编码与随机注入
  • 7 支持向量机
    • 7.1 支持向量机数学模型
    • 7.2 支持向量机有约束优化问题
  • 8 关联规则
    • 8.1 关联规则挖掘概念
    • 8.2 Apriori关联规则算法
    • 8.3 关联规则评价
  • 9 聚类
    • 9.1 聚类概述
    • 9.2 k-means算法
    • 9.3 k-中心算法
    • 9.4 DBSCAN算法
  • 10 降维
    • 10.1 线性判别分析(LDA)
    • 10.2 主成分分析(PCA)
  • 11 人工神经网络
    • 11.1 人工神经网络
  • 12 深度学习
    • 12.1 深度学习引言
    • 12.2 卷积神经网络基础
    • 12.3 循环神经网络基础
    • 12.4 Transformer模型
  • 13 强化学习
    • 13.1 强化学习概述
    • 13.2 马尔科夫决策过程1
    • 13.3 马尔科夫决策过程2
    • 13.4 动态规划
    • 13.5 蒙特卡罗方法
    • 13.6 差分学习
    • 13.7 强化学习算法举例
支持向量机数学模型