机器学习算法框架实战：Java和Python实现

3.2.2 矩阵的加法和减法 22
3.2.3 矩阵的乘法和点乘 24
3.2.4 矩阵的转置 26
3.3 矩阵的其他操作 27
3.2.1 生成单位矩阵 27
3.3.2 矩阵的复制 28
3.3.3 矩阵的合并 29
3.4 习题 32
第4章 矩阵相关函数的实现 33
4.1 常用函数 33
4.1.1 协方差函数 33
4.1.2 均值函数 34
4.1.3 归一化函数 36
4.1.4 最大值函数 38
4.1.5 最小值函数 40
4.2 行列式函数 41
4.3 矩阵求逆函数 43
4.4 矩阵特征值和特征向量函数 44
4.5 矩阵正交化函数 45
4.5.1 向量单位化 45
4.5.2 矩阵正交化 47
4.6 习题 49
第3篇 最优化方法层
第5章 最速下降优化器 52
5.1 最速下降优化方法概述 52
5.1.1 模型参数优化的目标 52
5.1.2 最速下降优化方法 53
5.2 最速下降优化器的实现 54
5.2.1 参数优化器的接口设计 54
5.2.2 最速下降优化器的具体实现 57
5.3 一个目标函数的优化例子 62
5.3.1 单元测试示例：偏导数的计算 62
5.3.2 单元测试示例：目标函数的参数优化 64
5.4 习题 66
第6章 遗传算法优化器 67
6.1 遗传算法概述 67
6.1.1 遗传算法的目标 67
6.1.2 遗传算法的基本过程 68
6.2 遗传算法优化器的实现 71
6.2.1 遗传算法优化器主体流程的实现 71
6.2.2 遗传算法优化器各算子的实现 74
6.3 一个目标函数的优化例子 82
6.4 习题 85
第4篇 算法模型层
第7章 分类和回归模型 88
7.1 分类和回归模型概述 88
7.2 基础回归模型 89
7.2.1 线性回归模型 89
7.2.2 对数回归模型 92
7.2.3 指数回归模型 94
7.2.4 幂函数回归模型 97
7.2.5 多项式回归模型 100
7.3 分类回归分析的例子 102
7.3.1 示例：验证对数回归模型 102
7.3.2 示例：对比不同模型 104
7.4 习题 108
第8章 多层神经网络模型 109
8.1 多层神经网络模型概述 109
8.1.1 网络模型的表达形式 109
8.1.2 前馈运算 111
8.1.3 反向传播 112
8.2 多层神经网络模型的实现 115
8.3 多层神经网络模型示例 122
8.4 习题 125
第9章 聚类模型 126
9.1 K-means模型 126
9.1.1 K-means聚类模型概述 126
9.1.2 K-means模型的实现 128
9.1.3 示例：一个聚类的例子 131
9.2 GMM 134
9.2.1 从一维高斯函数到多维高斯函数 134
9.2.2 GMM概述 136
9.2.3 GMM的实现 139
9.2.4 示例：对比K-means模型 144
9.3 习题 147
第10章 时间序列模型 148
10.1 指数平滑模型 148
10.1.1 移动平均模型 148
10.1.2 一次指数平滑模型 149
10.1.3 二次指数平滑模型 150
10.2 Holt-Winters模型 150
10.2.1 Holt-Winters模型概述 150
10.2.2 Holt-Winters模型的实现 151
10.2.3 示例：时间序列的预测 156
10.3 习题 160
第11章 降维和特征提取 161
11.1 降维的目的 161
11.2 主成分分析模型 162
11.2.1 主成分分析方法概述 162
11.2.2 主成分分析模型的实现 165
11.2.3 示例：降维提取主要特征 167
11.3 自动编码机模型 170
11.3.1 非线性的主成分分析 170
11.3.2 自动编码机原理概述 171
11.3.3 自动编码机模型的实现 172
11.3.4 示例：对比主成分分析 173
11.4 习题 176
第5篇 业务功能层
第12章 时间序列异常检测 178
12.1 时间序列异常检测的应用场景 178
12.2 时间序列异常检测的基本原理 178
12.2.1 基于预测的时间序列异常检测 179
12.2.2 阈值的估计 179
12.3 时间序列异常检测功能服务的实现 180
12.4 应用实例：找出数据中的异常记录 182
12.5 习题 183
第13章 离群点检测 184
13.1 离群点检测的应用场景 184
13.2 离群点检测的基本原理 185
13.2.1 基于多维高斯函数检测离群点 186
13.2.2 数据的有效降维 188
13.3 离群点检测功能服务的实现 188
13.4 应用实例：找出数据中的异常记录 191
13.5 习题 193
第14章 趋势线拟合 194
14.1 趋势线拟合的应用场景 194
14.2 趋势线拟合的基本原理 195
14.2.1 基于不同基础回归模型的拟合 196
14.2.2 选取合适的回归模型 196
14.3 趋势线拟合功能服务的实现 196
14.4 应用实例：对样本数据进行趋势线拟合 201
14.5 习题 203

.　　第4篇 算法模型层（第7～11章）
　　第7章介绍了最为基础的分类和回归模型。该章首先探讨了分类和回归的概念；然后根据理论，动手实现了不同的回归模型；最后利用具体示例讲解了如何使用基础回归模型对数据进行预测，同时对比了不同回归模型的效果。
　　第8章在前面章节所讲述的回归问题的基本模型和方法的基础上，进一步引入了一个更为复杂的解决回归问题的模型——多层神经网络模型。
　　第9章讨论了数据分析场景中应用广泛的聚类问题，并分别讲解了解决这种问题的两种经典模型，即K-means模型和GMM（高斯混合模型）。
　　第10章主要介绍了最为经典的时间序列预测模型——Holt-Winters，重点剖析了它的基本原理及具体实现，并且通过示例进行实践。
　　第11章分别介绍了两种用于降维的模型，即主成分分析模型和自动编码机模型，并且在示例中对两者进行了对比。
　　第5篇 业务功能层（第12～14章）
　　第12章探讨了一种较为常用的功能服务，即时间序列异常检测。该章首先介绍了时间序列异常检测的应用场景；然后阐述了时间序列异常检测的基本原理；接下来给出了时间序列异常检测功能服务的具体实现；最后通过具体示例，演示了如何判断时间序列的异常数据。
　　第13章探讨了另一种较为常用的功能服务，即离群点检测。该章首先介绍了离群点检测的应用场景；随后阐述了离群点检测的基本原理；接下来给出了离群点功能服务的具体实现；最后通过具体示例，演示了如何使用离群点检测找出数据中的异常记录。
　　第14章探讨了本书的最后一种趋势线拟合。该章首先介绍了趋势线拟合的应用场景；然后阐述了它的基本原理；接下来给出了趋势线拟合功能服务的具体实现；最后通过具体示例，演示了如何对样本数据进行趋势线拟合。
　　本书配套资源
　　本书涉及的所有源代码文件及习题参考答案需要读者自行下载。请在华章公司的网站（www.hzbook.com）上搜索到本书，然后单击“资料下载”按钮，即可在本书页面上的“扩展资源”模块找到配书资源下载链接。
　　本书读者对象
　　* 计算机相关专业的本科生和研究生；
　　* 从事计算机相关专业教学的老师；
　　* IT公司的开发工程师和算法工程师；
　　* 需要机器学习工具书的人员；
　　* 其他对机器学习感兴趣的各类人员。
　　勘识与售后支持
　　因受笔者水平所限，本书难免有疏漏和不当之处，敬请指正。阅读本书时读者若有疑问发现了疏漏，请发E-mail到hzbook2017@163.com，笔者会对所提问题进行核实，并在后期加印时更正错漏。