機(jī)器學(xué)習(xí)與深度學(xué)習(xí)：通過C語言模擬

前言 

第1章　機(jī)器學(xué)習(xí)1 

1.1　什么是機(jī)器學(xué)習(xí)1 

1.1.1　深度學(xué)習(xí)的成果1 

1.1.2　學(xué)習(xí)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)6 

1.1.3　機(jī)器學(xué)習(xí)的分類9 

1.1.4　直至深度學(xué)習(xí)的機(jī)器學(xué)習(xí)歷史15 

1.2　關(guān)于本書例題程序的執(zhí)行環(huán)境25 

1.2.1　程序執(zhí)行的流程25 

1.2.2　程序執(zhí)行的實際情況27 

第2章　機(jī)器學(xué)習(xí)基礎(chǔ)31 

2.1　歸納學(xué)習(xí)31 

2.1.1　演繹學(xué)習(xí)和歸納學(xué)習(xí)31 

2.1.2　歸納學(xué)習(xí)的例題—股票價格的預(yù)測32 

2.1.3　基于歸納學(xué)習(xí)的股價預(yù)測程序37 

2.2　強化學(xué)習(xí)46 

2.2.1　什么是強化學(xué)習(xí)46 

2.2.2　Q學(xué)習(xí)—強化學(xué)習(xí)的具體方法48 

2.2.3　強化學(xué)習(xí)的例題—走迷宮知識的學(xué)習(xí)53 

2.2.4　強化學(xué)習(xí)程序的實現(xiàn)56 

第3章　群體智能與演化方法65 

3.1　群體智能65 

3.1.1　粒子群最優(yōu)化方法65 

3.1.2　蟻群最優(yōu)化方法67 

3.1.3　蟻群最優(yōu)化方法的實現(xiàn)70 

3.2　演化方法81 

3.2.1　什么是演化方法81 

3.2.2　基于遺傳算法的知識獲取84 

第4章　神經(jīng)網(wǎng)絡(luò)101 

4.1　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)101 

4.1.1　人工神經(jīng)元模型101 

4.1.2　神經(jīng)網(wǎng)絡(luò)與學(xué)習(xí)105 

4.1.3　神經(jīng)網(wǎng)絡(luò)的種類107 

4.1.4　人工神經(jīng)元的計算方法108 

4.1.5　神經(jīng)網(wǎng)絡(luò)的計算方法115 

4.2　基于反向傳播的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)121 

4.2.1　感知機(jī)的學(xué)習(xí)過程121 

4.2.2　反向傳播的處理過程123 

4.2.3　反向傳播的實現(xiàn)125 

第5章　深度學(xué)習(xí)139 

5.1　什么是深度學(xué)習(xí)139 

5.1.1　傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限和深度學(xué)習(xí)的思路139 

5.1.2　卷積神經(jīng)網(wǎng)絡(luò)142 

5.1.3　自編碼器的學(xué)習(xí)方法145 

5.2　深度學(xué)習(xí)的實現(xiàn)147 

5.2.1　卷積運算的實現(xiàn)148 

5.2.2　卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)156 

5.2.3　自編碼器的實現(xiàn)170 

附錄A　生成行李的重量和價值的程序183 

附錄B　通過全搜索求解背包問題的程序185 

參考文獻(xiàn)189