新書推薦:
《
中国涉外法治蓝皮书(2024)
》
售價:HK$
98.0
《
黄庭经详解(全2册)
》
售價:HK$
141.6
《
台北故宫博物院典藏大系·绘画卷(全十册)
》
售價:HK$
9784.0
《
姑苏繁华图
》
售價:HK$
684.4
《
人的消逝:从原子弹、互联网到人工智能
》
售價:HK$
103.8
《
想象的共同体--民族主义的起源与散布(增订版)
》
售價:HK$
77.3
《
医学图形图像处理基于Python VTK的实现
》
售價:HK$
166.9
《
山家清供:小楷插图珍藏本 谦德国学文库系列
》
售價:HK$
143.4
|
編輯推薦: |
全面解析算法的思想、流程、核心知识、优缺点、典型案例及源代码从特征处理、分类聚类到规模建模、优化分析,完整的研究流程展示涉及工程优化、医学检测、量化投资、计算数学以及商业分析等领域适用于算法工程师、量化投资经理、科研工作者及高校相关专业师生
|
內容簡介: |
本书的编程语言以MATLAB为主,分别从学习方式和理论知识两个方面来对机器学习(实现人工智能的方法)的算法进行分类介绍。通过阅读本书,读者可以对人工智能的子集——机器学习形成一个系统、全面、完整的认识,并且在今后的研究工作中逐步拓展,最终形成自己的体系。全书共6篇,分别为特征处理算法、分类和聚类算法、神经网络算法、优化算法、基于不同数学思想的算法以及集成算法,每一篇都对该类别中常见算法的思想、流程、核心知识和优缺点等内容进行了详细介绍,并通过实际的案例分析和代码展示,对算法的具体应用进行了完整解析。本书适用的读者对象包括金融机构的量化投资经理、科研工作者、互联网企业的算法工程师、大中专院校相关专业师生,以及其他对实现人工智能的机器学习技术感兴趣的读者。
|
關於作者: |
李一邨,浙江杭州人,浙江大学量化金融博士,现任杭州伊园科技有限公司总经理。前沿量化科学领域的深耕者,多年来致力于将多元学科的前沿理论嫁接融合到金融投资领域。被聘为杭州科促会数据科学家、杭州师范大学指导老师。曾连续5届(第8~12届)获得《证券时报》和《期货日报》联合评选的“中国最佳金融量化策略工程师”。
|
目錄:
|
前言篇特征处理算法第1章ReliefF特征选择算法1.1原理介绍1.1.1算法思想1.1.2算法流程1.1.3算法详细介绍1.2ReliefF特征选择算法优缺点1.3实例分析1.3.1数据集介绍1.3.2函数介绍1.3.3ReliefF算法在分类问题中的实例分析1.3.4ReliefF算法在回归问题中的实例分析1.4房价回归预测问题的特征选择案例代码第2章Chi-Merge算法2.1原理介绍2.1.1算法思想2.1.2算法流程2.2Chi-Merge算法的优缺点2.3实例分析2.3.1数据集介绍2.3.2函数介绍2.3.3结果分析2.4代码获取第3章特征规约算法3.1特征规约算法原理介绍3.1.1特征规约算法思想3.1.2特征规约算法流程3.1.3PCA算法及相关矩阵分解3.2几种特征规约算法的优缺点3.3特征规约算法实例分析3.3.1数据集介绍3.3.2函数介绍3.3.3结果分析3.4代码获取第二篇分类和聚类算法第4章KNN算法4.1原理介绍4.1.1算法思想4.1.2算法流程4.2KNN算法的核心知识4.2.1距离或相似度的衡量4.2.2K值的选取4.2.3K个邻近样本的选取4.3KNN算法的优缺点4.4实例分析4.4.1数据集介绍4.4.2函数介绍4.4.3结果分析4.5代码获取第5章K-Means算法5.1原理介绍5.1.1算法思想5.1.2算法流程5.1.3K值的选取5.2K-Means算法的优点与缺点5.2.1K-Means算法的优点5.2.2K-Means算法的缺点5.3实例分析5.3.1数据集介绍5.3.2函数介绍5.3.3K的选择5.3.4训练结果分析5.4代码介绍5.4.1K-Means训练的函数代码5.4.2计算距离矩阵的函数代码5.4.3分析模型的代码5.5代码获取第6章高斯混合聚类算法6.1原理介绍6.1.1算法思想6.1.2算法流程6.1.3EM算法理论与GMM参数推导6.1.4EM聚类与K-Means聚类的对比6.2高斯混合聚类算法的优缺点6.3实例分析6.3.1数据集介绍6.3.2函数介绍6.3.3学习过程6.3.4样本聚类结果6.4代码获取第7章ISODATA算法7.1.1算法思想7.1.2算法流程7.2ISODATA算法的优缺点7.3实例分析7.3.1函数介绍7.3.2数据介绍7.3.3训练结果7.3.4其他参数下的聚类结果7.4代码介绍7.4.1鸢尾花数据测试代码7.4.2代码获取第8章谱聚类算法8.1原理介绍8.1.1算法思想8.1.2谱聚类的切图聚类8.1.3算法流程8.2聚类普算法的优缺点8.3实例分析8.3.1数据集介绍8.3.2函数介绍8.3.3结果分析8.3.4代码获取第三篇神经网络算法第9章BP神经网络与径向基神经网络算法9.1原理介绍9.1.1算法思想9.1.2算法流程9.1.3BP神经网络与径向基神经网络结构说明9.1.4误差反向传递(含权值偏置调整)9.1.5调整输出层的权值偏置矩阵9.1.6调整隐含层权值偏置矩阵9.1.7径向基神经网络9.2BP和径向基神经网络算法的优缺点9.2.1BP神经网络和径向基神经网络的优点9.2.2BP神经网络和径向基神经网络的缺点9.3实例分析9.3.1数据集介绍9.3.2BP神经网络使用9.3.3径向基神经网络的应用9.4代码获取第10章Hopfield神经网络算法10.1原理介绍10.1.1算法思想10.1.2算法流程10.1.3Hopfield神经网络结构10.1.4离散Hopfield网络能量函数收敛性证明10.2Hopfield神经网络算法的优点与缺点10.3正交法权值计算10.4正交法权值计算的吸引情况说明10.5实例分析10.6代码获取第11章LSTM长短期记忆网络算法11.1原理介绍11.1.1算法思想11.1.2算法流程11.2LSTM的数学推导和说明11.2.1数据集符号申明11.2.2训练过程11.3激活函数求导说明11.4补充11.5LSTM算法的优点与缺点11.6实例分析11.6.1数据集介绍11.6.2函数介绍11.6.3结果分析11.7代码获取第四篇优 化 算 法第12章网格寻优算法12.1原理介绍12.1.1算法思想12.1.2算法流程12.2网格寻优算法的优缺点12.3实例分析12.3.1函数介绍12.3.2结果分析12.4代码获取第13章模拟退火聚类算法13.1原理介绍13.1.1算法思想13.1.2算法流程13.2模拟退火算法的优缺点13.3实例分析13.3.1数据介绍13.3.2函数介绍13.3.3结果分析13.4代码介绍13.4.1分析模型的代码13.4.2模拟退火结合K-Means算法的代码获取第14章EMD经验模态分解算法14.1原理介绍14.1.1算法思想14.1.2算法流程14.1.3经验模态分解(EMD)的核心要点14.1.4经验模态分解的理论基础14.1.5包络线拟合14.1.6三次样条插值的应用14.1.7其他插值方法介绍14.2EMD经验模态分解算法的优缺点14.3实例分析14.3.1数据集介绍14.3.2函数介绍14.3.3上证指数EMD分解14.4代码获取第五篇基于不同数学思想的算法第15章粗糙集算法15.1原理介绍15.1.1算法思想15.1.2算法流程15.1.3基本概念15.2粗糙集算法的优缺点15.3实例分析15.3.1数据集介绍15.3.2函数介绍15.3.3训练结果15.3.4其他说明15.4代码介绍15.4.1测试案例代码15.4.2粗糙集算法涉及的其他代码获取第16章基于核的Fisher算法16.1基于核的Fisher算法介绍16.1.1算法思想16.1.2基于核的Fisher算法数学推
|
內容試閱:
|
机器学习是一种实现人工智能的方法,用于研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,其算法本质上是一种规律发现或问题解决的工具和方法。本书共分6篇,每一篇都对相应类别下常见算法的理论知识进行了详细介绍,并配有应用算法和代码的案例。篇为特征处理算法篇,主要介绍了特征工程领域针对数据研究的几种常用特征处理算法的相关知识,包括ReliefF特征选择算法、Chi-Merge算法,以及特征规约算法。作为迈向机器学习的步,本篇详细介绍了特征处理算法的相关思想、流程、优缺点,并通过实例对算法的具体应用进行了总结。第二篇为分类和聚类算法篇,主要对几种常见的分类和聚类算法进行介绍,包括KNN算法、K-Means算法、高斯混合聚类算法、ISODATA算法和谱聚类算法,详细介绍了这些算法的思想、流程、核心知识和优缺点,并通过实际案例,对分类和聚类相关算法的具体应用进行了详细讲解。第三篇为神经网络算法篇,神经网络算法是当下较为热门的一个机器学习分支。神经网络有多种分类,一般较为公认的有DNN、CNN、RNN三种。本篇将对与其相关的BP神经网络与径向基神经网络算法、Hopfield神经网络算法以及LSTM长短期记忆网络算法的思想、流程、结构、优缺点进行了详细介绍,并通过实际案例,展示了神经网络算法的具体应用。第四篇为优化算法篇,优化是数据分析的常用方法,在许多经典问题的求解中,优化算法都起到至关重要的作用。本篇对几种常见优化算法的思想、流程、优缺点以及具体应用进行了介绍,包括网格寻优算法、模拟退火聚类算法和EMD经验模态分解算法等。第五篇为基于不同数学思想的算法篇,通过对粗糙集算法、基于核的Fisher算法、SVM支持向量机算法和傅里叶级数及变换算法的思想、流程、概念、优缺点以及具体应用进行了详细介绍,帮助读者拓展对于“算法”这一概念的进一步理解。第六篇为集成算法篇,集成算法的主旨是将弱学习器通过某种形式良好地组织起来,使得这些弱学习器各自的性能相加组合,从而达到强学习器的效果。本篇分别对AdaBoost、Bagging、Stacking和Gradient Boosting四种集成算法的思想、流程、优缺点以及具体应用进行了详细介绍,从数据、弱学习器、集成方法三个角度出发进行深层次阐述。通过本篇的学习,读者可以对集成算法形成较为全面的认识。本书主要为有志于从事机器学习领域相关工作的读者建立起一个通用性的流程和框架,并对流程的关键环节适当展开,给出一些介绍和程序案例。读者可以从本书的学习中了解机器学习到底是什么,并在今后结合自身的工作,进一步丰富和拓展这个流程和框架,从而终成为一个机器学习算法的高级开发和应用者。读者定位和阅读方法本书分别从学习方式和理论知识两个方面来对机器学习的算法进行分类介绍。在介绍每个算法时,都对其原理、思想、流程、优缺点等理论知识进行了详细介绍,然后以具体的实例分析和代码展示来对该算法的应用进行完整解说。通过阅读本书,读者可以对机器学习形成一个系统、全面、完整的认识,并且在今后的研究工作中逐步拓展,终形成自己的体系。本书适用的读者对象:金融机构的量化投资经理、科研工作者、互联网企业的算法工程师、大中专院校相关专业师生,以及其他对机器学习技术感兴趣的读者。配套资源编者在金融业从业多年,有着丰富的业界积累。读者可以扫描封底二维码(IT有得聊),进入读者俱乐部,其中有本书相关的视频授课资源,以及丰富的机器学习算法资源和其他研究资源。由于编者水平有限,书中错误和疏漏之处在所难免。在此,诚恳地期待广大读者批评指正。在技术之路上如能与大家互勉共进,也将倍感荣幸。
|
|