《机器学习算法与应用（微课视频版）》涵盖经典的有监督机器学习算法、无监督机器学习算法、强化学习算法和深度机器学习算法，阐述从浅层学习到深度学习，从简单的线性模型到复杂的神经网络非线性模型的原理与应用。书中每个章节均遵循先简介理论基础，再构建数学模型，然后辅以实例分析，很后设计源码实现，从理论到实践的讲解原则。每个章节可独立阅读，也可从前向后、从简到难、循序渐进地学习。本书的z大特色在于对机器学习算法的嵌入式应用，特别是对难以并行化的深度学习算法及其在ARM处理器和FPGA硬件平台的实现步骤的介绍。
《机器学习算法与应用（微课视频版）》适合作为高等院校人工智能、物联网工程、计算机、软件工程专业高年级本科生、研究生的教材，同时可供对机器学习算法理论有所了解的广大开发人员、科技工作者和研究人员参考。

章机器学习简介
1.1什么是机器学习
1.2有监督学习
1.3无监督学习
1.4强化学习
1.5深度学习
1.6机器学习算法的应用趋势
1.6.1机器学习算法在物联网的应用
1.6.2机器学习算法在其他领域的应用
1.7安装MATLAB或Octave
1.8Python语言和C/C++语言简介
1.8.1Python语言简介
1.8.2C/C++语言简介
1.9习题
第2章线性回归
2.1线性回归模型
2.2代价函数
2.3梯度下降法
2.4线性回归中的梯度下降
2.5特征归一化
2.6最小二乘正规方程
2.7线性回归实例分析
2.7.1实例一： 一元线性回归模型与代价函数理解
2.7.2实例二： 多元线性回归模型与代价函数理解
2.8习题
第3章逻辑回归
3.1逻辑回归模型
3.2逻辑回归的代价函数
3.3优化函数
3.4逻辑回归解决分类问题
3.4.1实例一： 牛顿法实现逻辑回归模型
3.4.2实例二： 逻辑回归解决二分类问题
3.5正则化
3.6正则化后的线性回归和逻辑回归模型实例分析
3.6.1实例一： 最小二乘正规方程法优化正则化线性回归模型
3.6.2实例二： 牛顿法优化正则化逻辑回归模型
3.6.3参考解决方案
3.7习题
第4章朴素贝叶斯
4.1数学基础
4.2朴素贝叶斯分类
4.3朴素贝叶斯分类实例分析
4.3.1实例一： 多项式朴素贝叶斯用于邮件分类
4.3.2实例二： 朴素贝叶斯解决多分类问题
4.4习题
第5章支持向量机
5.1支持向量机模型
5.2支持向量机代价函数
5.3支持向量机实例分析
5.3.1实例一： SVM 解决线性可分问题
5.3.2实例二： SVM解决邮件分类问题
5.3.3实例三： 核函数SVM解决线性不可分问题
5.4习题
第6章神经网络
6.1神经网络模型
6.2反向传播算法
6.3神经网络实例分析
6.3.1实例一： 神经网络实现简单分类问题
6.3.2实例二： 神经网络解决预测问题
6.4习题
第7章K近邻算法
7.1K近邻算法原理
7.2K近邻算法实例分析
7.2.1实例一： K近邻算法解决二分类问题
7.2.2实例二： K近邻算法解决多分类问题
7.3习题
第8章K均值算法
8.1K均值算法原理
8.2K均值算法实例分析
8.2.1实例一： K均值算法实现简单聚类
8.2.2实例二： K均值算法解决病毒聚类问题
8.3习题
第9章高斯混合模型
9.1高斯混合模型原理
9.2优选期望算法
9.3高斯混合模型实例分析
9.3.1实例一： 高斯混合模型聚类原理分析
9.3.2实例二： 高斯混合模型实现鸢尾花数据聚类
9.4习题
0章降维算法
10.1降维算法原理
10.2降维算法实例分析
10.2.1实例一： 线性判别分析(LDA)降维算法实现
10.2.2实例二： 主成分分析(PCA)降维算法实现
10.3线性判别分析与主成分分析对比
10.4习题
1章隐马尔可夫模型
11.1隐马尔可夫模型定义
11.2隐马尔可夫模型实例分析
11.2.1实例一： HMM实现简单序列预测
11.2.2实例二： HMM 解决车流预测问题
11.3习题
2章强化学习
12.1Qlearning强化学习算法原理
12.2Qlearning实例分析
12.2.1实例一： Q-learning解决走迷宫问题
12.2.2实例二： Q-learning解决小车爬坡问题
12.3习题
3章决策树
13.1决策树构造原理
13.2决策树实例分析
13.2.1实例一： 应用CART算法构造决策树
13.2.2实例二： 决策树算法拟合曲线
13.3习题
4章启发式优化算法
14.1遗传算法原理
14.2优化算法对比实例分析
14.2.1实例一： 粒子群(PSO)算法
14.2.2实例二： 差分进化(DE)算法
14.2.3实例三： 人工蜂群(ABC)算法
14.2.4实例四： 对比粒子群、差分进化和人工蜂群算法
14.3习题
5章深度学习
15.1卷积神经网络
15.1.1卷积层
15.1.2池化层
15.1.3CNN模型
15.1.4实例一： CNN实现手写数字识别
15.2循环神经网络
15.2.1RNN网络概述
15.2.2LSTM网络
15.2.3实例一： RNN实现时序数据预测
15.2.4实例二： LSTM预测交通流量
15.3深度学习算法物联网硬件加速
15.3.1FPGA硬件平台简介
15.3.2开发软件环境简介
15.3.3实例一： RNN时序数据预测物联网平台实现
15.4习题
6章集成学习
16.1集成学习算法
16.1.1随机森林算法
16.1.2Adaboost算法
16.2集成学习算法实例分析
16.2.1实例一： 集成学习Stacking实现
16.2.2实例二： 集成学习解决预测问题
16.3习题
7章推荐系统
17.1推荐算法原理
17.2知识图谱与推荐系统
17.2.1知识图谱定义
17.2.2知识图谱特征学习
17.2.3知识图谱用于推荐系统
17.3推荐系统实例分析
17.3.1实例一： 基于线性混合深度网络的推荐系统实现
17.3.2实例二： 基于知识图谱的多任务神经网络智能推荐系统
17.4习题
附录A专用符号和名词解释
附录B机器学习资源列表
附录C数学推导BPTT算法
参考文献