"《MATLAB机器学习实用教程》介绍了机器学习的典型算法及MATLAB编程方法。主要内容包括：线性回归、非线性回归、分类、聚类、人工神经网络、支持向量机、决策树、模糊逻辑、集成学习、半监督学习、强化学习、关联规则学习、深度学习、机器阅读和机器写作等。《MATLAB机器学习实用教程》注重实用性，精选了大量实例，每个实例都提供了MATLAB程序，并进行了详细的注释，有助于读者真正理解这些算法和编程方法，把它们应用到自己的工作中来解决实际问题。因此，《MATLAB机器学习实用教程》具有较强的实用性和可操作性，可以作为高等院校理工、管理、经济、金融等专业本科生、研究生的教材，也可以作为相关工作者的有益参考书和工具书。    
"

目 录

第1章 机器学习基础\t1
1.1 机器学习概述\t1
1.1.1 “机器学习”是什么\t1
1.1.2 机器学习的流程\t1
1.1.3 机器学习的类型\t2
1.1.4 典型的机器学习算法\t2
1.2 机器学习的发展历程\t2
1.2.1 早期阶段\t3
1.2.2 发展期\t3
1.2.3 繁荣期\t3
1.2.4 机器学习的现状和发展趋势\t3
1.3 机器学习的应用\t4
1.3.1 数据挖掘\t4
1.3.2 模式识别\t4
1.3.3 互联网和电子商务\t4
1.3.4 电子游戏\t4
1.3.5 金融领域\t4
1.4 MATLAB和机器学习\t5
1.4.1 MATLAB软件\t5
1.4.2 MATLAB在机器学习中的
应用案例\t5
第2章 线性回归\t6
2.1 最小二乘法\t6
2.1.1 概述\t6
2.1.2 一元线性回归案例与
MATLAB编程\t6
2.1.3 多元线性回归案例\t8
2.2 鲁棒线性回归\t9
2.2.1 概述\t9
2.2.2 robustfit函数的应用案例
与MATLAB编程\t9
2.2.3 fitlm函数的应用案例
与MATLAB编程\t11
2.3 逐步回归\t12
2.3.1 概述\t12
2.3.2 基于默认值的逐步回归案例\t12
2.3.3 基于自己设置的标准值的
逐步回归案例与MATLAB
编程\t13
2.4 岭回归\t14
2.4.1 概述\t14
2.4.2 岭回归案例\t14
2.5 Lasso回归和弹性网回归\t16
2.5.1 概述\t16
2.5.2 Lasso回归案例与MATLAB
编程\t16
2.5.3 弹性网回归案例与MATLAB
编程\t17
2.6 逻辑回归\t18
2.6.1 概述\t18
2.6.2 逻辑回归预测案例
与MATLAB编程\t18
2.6.3 逻辑回归分类案例
与MATLAB编程\t20
第3章 非线性回归\t24
3.1 多项式曲线拟合\t24
3.1.1 概述\t24
3.1.2 多项式曲线拟合案例
与MATLAB编程\t24
3.2 典型函数曲线拟合\t27
3.2.1 指数函数曲线拟合案例
与MATLAB编程\t27
3.2.2 幂函数曲线拟合案例
与MATLAB编程\t29
3.2.3 傅里叶函数曲线拟合案例
与MATLAB编程\t30
3.2.4 高斯函数曲线拟合案例
与MATLAB编程\t31
3.3 曲面拟合、插值和样条拟合\t33
3.3.1 曲面拟合案例
与MATLAB编程\t33
3.3.2 插值案例与MATLAB编程\t34
3.3.3 样条拟合案例
与MATLAB编程\t35
3.3.4 样条平滑化拟合案例
与MATLAB编程\t36
第4章 分类和聚类\t38
4.1 分类算法1——判别分析\t38
4.1.1 概述\t38
4.1.2 判别分析分类案例与
MATLAB编程\t38
4.2 分类算法2——朴素贝叶斯法\t40
4.2.1 概述\t40
4.2.2 朴素贝叶斯法分类案例与
MATLAB编程\t40
4.3 分类算法3——K最近邻算法\t41
4.3.1 概述\t41
4.3.2 K最近邻算法分类案例与
MATLAB编程\t42
4.4 聚类算法1——K均值算法\t43
4.4.1 概述\t43
4.4.2 K均值算法聚类案例与
MATLAB编程\t43
4.5 聚类算法2——高斯混合模型\t49
4.5.1 概述\t49
4.5.2 高斯混合模型聚类案例与
MATLAB编程\t49
第5章 人工神经网络\t55
5.1 人工神经网络在数据拟合中的应用\t55
5.1.1 概述\t55
5.1.2 人工神经网络拟合案例与
MATLAB编程\t56
5.2 影响人工神经网络模型预测性能的
因素\t60
5.2.1 隐含层的神经元数量\t60
5.2.2 隐含层的层数\t61
5.2.3 训练算法的类型\t62
5.2.4 网络类型\t63
5.3 人工神经网络在分类中的应用\t66
5.3.1 概述\t66
5.3.2 人工神经网络分类案例与
MATLAB编程\t66
第6章 支持向量机\t71
6.1 支持向量机在回归中的应用\t71
6.1.1 概述\t71
6.1.2 支持向量机回归案例与
MATLAB编程\t72
6.2 预测性能的影响因素\t74
6.2.1 高斯核函数\t74
6.2.2 多项式核函数\t75
6.3 定量影响分析\t76
6.3.1 概述\t76
6.3.2 定量影响分析案例与
MATLAB编程\t76
6.4 支持向量机在分类中的应用\t82
6.4.1 概述\t82
6.4.2 支持向量机分类案例与
MATLAB编程\t82
第7章 决策树\t88
7.1 决策树的原理\t88
7.1.1 决策树的构建方法\t88
7.1.2 决策树的应用\t89
7.1.3 决策树的剪枝\t90
7.1.4 构建决策树的算法\t90
7.2 决策树在分类中的应用\t90
7.2.1 概述\t90
7.2.2 决策树分类案例与
MATLAB编程\t90
7.3 决策树在回归中的应用\t94
7.3.1 概述\t94
7.3.2 决策树回归案例与
MATLAB编程\t95
第8章 模糊逻辑\t102
8.1 模糊聚类\t102
8.1.1 概述\t102
8.1.2 模糊聚类案例与MATLAB
编程\t102
8.2 模糊逻辑在时间序列预测中的
应用\t107
8.2.1 概述\t107
8.2.2 模糊逻辑的预测应用
案例与MATLAB编程\t108
第9章 集成学习\t115
9.1 集成学习在回归中的应用\t115
9.1.1 fitrensemble函数\t115
9.1.2 fitrensemble函数的回归应用
案例与MATLAB编程\t115
9.1.3 TreeBagger函数\t119
9.1.4 TreeBagger函数的回归应用
案例与MATLAB编程\t119
9.2 集成学习在分类中的应用\t123
9.2.1 fitcensemble函数\t123
9.2.2 fitcensemble函数的分类应用
案例与MATLAB编程\t123
9.2.3 TreeBagger函数\t126
9.2.4 TreeBagger函数的分类应用
案例与MATLAB编程\t126
第10章 半监督学习\t130
10.1 基于图形法的半监督学习分类\t130
10.1.1 概述\t130
10.1.2 基于图形法的半监督学习
分类案例与MATLAB
编程\t130
10.2 基于自训练法的半监督学习分类\t138
10.2.1 概述\t138
10.2.2 基于自训练法的半监督
学习分类案例与MATLAB
编程\t138
第11章 强化学习\t146
11.1 强化学习在机器人中的应用\t146
11.1.1 概述\t146
11.1.2 基于Q学习算法的强化
学习案例与MATLAB
编程\t147
11.1.3 基于SARSA算法的强化
学习案例的MATLAB
编程\t150
11.2 强化学习在自动驾驶中的应用\t154
11.2.1 概述\t154
11.2.2 基于Q学习算法的强化
学习案例与MATLAB
编程\t154
11.2.3 基于SARSA算法的强化
学习案例与MATLAB
编程\t158
第12章 关联规则学习\t164
12.1 关联规则学习\t164
12.1.1 什么是关联规则学习\t164
12.1.2 来源——“啤酒和尿布”的
故事\t164
12.1.3 应用领域\t164
12.2 关联规则学习在购物中的应用\t165
12.2.1 概述\t165
12.2.2 关联规则学习在购物中的
应用案例与MATLAB
编程\t165
12.3 关联规则学习在互联网内容
推送中的应用\t173
12.3.1 概述\t173
12.3.2 互联网内容推送案例与
MATLAB编程\t173
第13章 深度学习\t187
13.1 概述\t187
13.1.1 什么是深度学习\t187
13.1.2 应用\t188
13.2 卷积神经网络\t188
13.2.1 概述\t188
13.2.2 CNN图像识别案例与
MATLAB编程\t188
13.2.3 CNN回归分析案例与
MATLAB编程\t199
13.3 长短期记忆神经网络\t202
13.3.1 概述\t202
13.3.2 LSTM回归案例与
MATLAB编程\t202
13.3.3 LSTM时序预测案例与
MATLAB编程\t204
第14章 机器阅读\t208
14.1 机器信息统计\t208
14.1.1 信息检索和提取案例与
MATLAB编程\t208
14.1.2 词频统计案例与
MATLAB编程\t210
14.2 文本的情感分析\t211
14.2.1 概述\t211
14.2.2 文本情感分析案例与
MATLAB编程\t211
14.3 机器识别汉字\t215
14.3.1 汉字和意义的数字化表征\t215
14.3.2 建立映射关系\t220
14.3.3 转化数字形式的结果为
图片\t220
    
    
    
第15章 机器写作\t225
15.1 基于记忆原理的机器写作\t225
15.1.1 字词的数字化表征\t225
15.1.2 记忆字词\t226
15.1.3 回忆字词\t227
15.1.4 机器写作\t229
15.2 基于深度学习的机器写作\t231
15.2.1 搜集训练样本\t231
15.2.2 训练样本的数字化表征\t231
15.2.3 记忆字词\t232
15.2.4 回忆和写作\t232
15.2.5 改变数字化表征方法\t233
15.2.6 LSTM模型写作程序的
修改\t234
15.3 影响LSTM模型写作质量的
因素\t236
15.3.1 训练样本的次序\t236
15.3.2 训练样本的频率\t238
15.3.3 LSTM模型的训练次数\t239
15.3.4 数字化表征方法和训练
次数的耦合影响\t240