《机器学习算法框架实战：Java和Python实现》内容简介

随着互联网技术的飞速发展，全球逐渐步入了大数据时代，智能化的趋势越来越明显，各行各业几乎都喊出了智能化的口号，机器学习作为人工智能的一个重要研究方向，在一定程度上成为了IT人才的必要技能。本书以一个自研机器学习算法框架的构建为主线，首先介绍了机器学习的相关概念和背景，然后按照代数矩阵运算层、优化方法层、算法模型层和业务功能层的分层顺序对算法框架展开讲述，旨在通过理论和实践相结合的方式，帮助广大零算法基础的开发人员了解和掌握一定的算法能力，同时作为算法设计人员在工程实现上的参考范例。
本书实用性强，既面向零算法基础的开发人员，也面向具备一定算法能力，并且在工程实现上希望有所借鉴或参考学习的算法设计人员及机器学习算法爱好者。
麦嘉铭编著。

作品目录

前言
第1篇
绪论
第1章：背景
1.1、机器学习的概念
1.2、机器学习所解决的问题
1.3、如何选择机器学习算法
1.4、习题
第2章：机器学习算法框架概要
2.1、算法框架的分层模型
2.2、分层模型中各层级的职责
2.3、开始搭建框架的准备工作
第2篇
代数矩阵运算层
第3章：矩阵运算库
3.1、矩阵运算库概述
3.2、矩阵基本运算的实现
3.3、矩阵的其他操作
3.4、习题
第4章：矩阵相关函数的实现
4.1、常用函数
4.2、行列式函数
4.3、矩阵求逆函数
4.4、矩阵特征值和特征向量函数
4.5、矩阵正交化函数
4.6、习题
第3篇
最优化方法层
第5章：最速下降优化器
5.1、最速下降优化方法概述
5.2、最速下降优化器的实现
5.3、一个目标函数的优化例子
5.4、习题
第6章：遗传算法优化器
6.1、遗传算法概述
6.2、遗传算法优化器的实现
6.3、一个目标函数的优化例子
6.4、习题
第4篇
算法模型层
第7章：分类和回归模型
7.1、分类和回归模型概述
7.2、基础回归模型
7.3、分类回归分析的例子
7.4、习题
第8章：多层神经网络模型
8.1、多层神经网络模型概述
8.2、多层神经网络模型的实现
8.3、多层神经网络模型示例
8.4、习题
第9章：聚类模型
9.1、K-means模型
9.2、GMM
9.3、习题
第10章：时间序列模型
10.1、指数平滑模型
10.2、Holt-Winters模型
10.3、习题
第11章：降维和特征提取
11.1、降维的目的
11.2、主成分分析模型
11.3、自动编码机模型
11.4、习题
第5篇
业务功能层
第12章：时间序列异常检测
12.1、时间序列异常检测的应用场景
12.2、时间序列异常检测的基本原理
12.3、时间序列异常检测功能服务的实现
12.4、应用实例：找出数据中的异常记录
12.5、习题
第13章：离群点检测
13.1、离群点检测的应用场景
13.2、离群点检测的基本原理
13.3、离群点检测功能服务的实现
13.4、应用实例：找出数据中的异常记录
13.5、习题
第14章：趋势线拟合
14.1、趋势线拟合的应用场景
14.2、趋势线拟合的基本原理
14.3、趋势线拟合功能服务的实现
14.4、应用实例：对样本数据进行趋势线拟合
14.5、习题