链接：https://pan.baidu.com/s/1saw5JUHagr4h5m3j0U2WvA?pwd=vprw 

【资料图】

提取码：vprw

前 言 机器学习是新思想、新观念、新理论、新技术不断出现并迅速发展的新兴学科，是人工智能的基础。目前几乎所有学科（工科、理科、金融和文法等）的研究方向都与机器学习相关，机器学习已经成为从事不同领域研究的重要手段和工具。本书为研究生和本科生机器学习相关课程的学习而编写。 本书的内容主要包括五部分：第一部分是机器学习中的数学基础，包括线性代数、概率统计与信息论、最优化方法和张量分析；机器学习是基于样本数据的，第二部分内容是样本数据的处理，包括 Kernel 方法、PCA、KPCA、LDA 和 KLDA；第三部分是监督学习，包括多变量线性回归及基于 Kernel 的线性回归、逻辑回归、贝叶斯分类器、决策树、随机森林、SVM、人工神经网络和卷积神经网络；第四部分是无监督学习，包括 k-means、FCM 和改进的 FCM；第五部

目   录

第 1 章  绪论  1 

1.1  机器学习的定义  1 

1.2  机器学习的种类  1 

1.3  机器学习的应用  5 

1.4  网上公开的部分机器学习数据库  9 

第一部分 机器学习中的数学基础

第 2 章  线性代数  13 

2.1  标量、向量、矩阵和张量 13 

2.2  矩阵的运算  14 

2.3  特殊矩阵  16 

2.4  线性空间、线性相关和线性变换  16 

2.5  内积与范数  17 

2.6  矩阵分解  19 

2.7  Moore-Penrose 伪逆 20 

2.8  MATLAB 函数和示例  21 

第 3 章  概率统计与信息论  24 

3.1  随机事件及其概率  24 

3.2  随机变量及其概率分布  25 

3.3  边缘概率与条件概率  27 

3.4  独立性、全概率公式和贝叶斯公式  28 

3.5  随机变量的数字特征  29 

3.6  常用概率分布  30 

3.7  数理统计基础  33 

3.8  统计推断  35 

3.9  信息论  37 

3.10  MATLAB 函数和示例  38

第 4 章  最优化方法  41 

4.1  拉格朗日乘子法与 KKT 条件  41 

4.2  梯度下降法和共轭梯度法  45 

4.3  牛顿法和拟牛顿法  48 

4.4  坐标下降法  50 

4.5  启发式智能优化算法  51 

4.6  基于 MATLAB 的优化求解  54 

第 5 章  张量分析  57  ...