第 1章 MATLAB機(jī)器學(xué)習(xí)初體驗(yàn) 1 1.1　機(jī)器學(xué)習(xí)基礎(chǔ)　1 1.2　機(jī)器學(xué)習(xí)算法的分類(lèi)　4 1.2.1　監(jiān)督學(xué)習(xí)　4 1.2.2　非監(jiān)督學(xué)習(xí)　5 1.2.3　強(qiáng)化學(xué)習(xí)　5 1.3　選擇正確的算法　6 1.4　構(gòu)建機(jī)器學(xué)習(xí)模型的流程　7 1.5　MATLAB中的機(jī)器學(xué)習(xí)支持簡(jiǎn)介　8 1.5.1　操作系統(tǒng)、硬件平臺(tái)要求　10 1.5.2　MATLAB安裝要求　11 1.6　統(tǒng)計(jì)機(jī)器學(xué)習(xí)工具箱　11 1.6.1　數(shù)據(jù)類(lèi)型　13 1.6.2　統(tǒng)計(jì)機(jī)器學(xué)習(xí)工具箱功能簡(jiǎn)介　13 1.7　神經(jīng)網(wǎng)絡(luò)工具箱　18 1.8　MATLAB中的統(tǒng)計(jì)學(xué)和線(xiàn)性代數(shù)　19 1.9　總結(jié)　21 第　2章 使用MATLAB導(dǎo)入數(shù)據(jù)和組織數(shù)據(jù)　22 2.1　熟悉MATLAB桌面　22 2.2　將數(shù)據(jù)導(dǎo)入MATLAB　27 2.2.1　導(dǎo)入向?qū)А?7 2.2.2　通過(guò)程序語(yǔ)句導(dǎo)入數(shù)據(jù)　29 2.3　從MATLAB導(dǎo)出數(shù)據(jù)　36 2.4　處理媒體文件　37 2.4.1　處理圖像數(shù)據(jù)　37 2.4.2　音頻的導(dǎo)入/導(dǎo)出　39 2.5　數(shù)據(jù)組織　39 2.5.1　元胞數(shù)組　40 2.5.2　結(jié)構(gòu)體數(shù)組　42 2.5.3　table類(lèi)型　44 2.5.4　分類(lèi)數(shù)組　46 2.6　總結(jié)　47 第3章　從數(shù)據(jù)到知識(shí)挖掘　49 3.1　區(qū)分變量類(lèi)別　50 3.1.1　定量變量　50 3.1.2　定性變量　50 3.2　數(shù)據(jù)準(zhǔn)備　51 3.2.1　初步查看數(shù)據(jù)　51 3.2.2　找到缺失值　53 3.2.3　改變數(shù)據(jù)類(lèi)型　54 3.2.4　替換缺失值　54 3.2.5　移除缺失值　55 3.2.6　為表格排序　56 3.2.7　找到數(shù)據(jù)中的異常值　56 3.2.8　將多個(gè)數(shù)據(jù)源合并成一個(gè)數(shù)據(jù)源　57 3.3　探索性統(tǒng)計(jì)指標(biāo)—數(shù)值測(cè)量　59 3.3.1　位置測(cè)量　59 3.3.2　分散度的測(cè)量　61 3.3.3　分布形狀的測(cè)量　64 3.4　探索性可視化　66 3.4.1　圖形數(shù)據(jù)統(tǒng)計(jì)分析對(duì)話(huà)框　67 3.4.2　柱狀圖　70 3.4.3　箱形圖　75 3.4.4　散點(diǎn)圖　77 3.5　總結(jié)　78 第4章　找到變量之間的關(guān)系—回歸方法　80 4.1　尋找線(xiàn)性關(guān)系　80 4.1.1　最小二乘回歸　81 4.1.2　基本擬合接口　86 4.2　如何創(chuàng)建一個(gè)線(xiàn)性回歸模型　88 4.2.1　通過(guò)穩(wěn)健回歸消除異常值的影響　93 4.2.2　多元線(xiàn)性回歸　96 4.3　多項(xiàng)式回歸　101 4.4　回歸學(xué)習(xí)器App　103 4.5　總結(jié)　107 第5章　模式識(shí)別之分類(lèi)算法　108 5.1　決策樹(shù)分類(lèi)　108 5.2　概率分類(lèi)模型—樸素貝葉斯分類(lèi)　115 5.2.1　概率論基礎(chǔ)　116 5.2.2　使用樸素貝葉斯進(jìn)行分類(lèi)　119 5.2.3　MATLAB中的貝葉斯方法　120 5.3　判別分析分類(lèi)　123 5.4　k鄰近算法　128 5.5　MATLAB分類(lèi)學(xué)習(xí)器App　132 5.6　總結(jié)　136 第6章　無(wú)監(jiān)督學(xué)習(xí)　137 6.1　聚類(lèi)分析簡(jiǎn)介　137 6.1.1　相似度與離散度指標(biāo)　138 6.1.2　聚類(lèi)方法類(lèi)型簡(jiǎn)介　139 6.2　層次聚類(lèi)算法　141 6.2.1　層次聚類(lèi)中的相似度指標(biāo)　141 6.2.2　定義層次聚類(lèi)中的簇　143 6.2.3　如何理解層次聚類(lèi)圖　145 6.2.4　驗(yàn)證聚類(lèi)結(jié)果　147 6.3　k均值聚類(lèi)—基于均值聚類(lèi)　148 6.3.1　k均值算法　148 6.3.2　函數(shù)kmeans()　149 6.3.3　silhouette圖—可視化聚類(lèi)結(jié)果　152 6.4　k中心點(diǎn)聚類(lèi)—基于樣本中心聚類(lèi)　153 6.4.1　什么是中心點(diǎn)　154 6.4.2　函數(shù)kmedoids()　154 6.4.3　評(píng)估聚類(lèi)結(jié)果　156 6.5　高斯混合模型聚類(lèi)　156 6.5.1　高斯分布　156 6.5.2　MATLAB中的GMM支持　157 6.5.3　使用后驗(yàn)概率分布進(jìn)行聚類(lèi)　159 6.6　總結(jié)　160 第7章　人工神經(jīng)網(wǎng)絡(luò)——模擬人腦的思考方式　162 7.1　神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介　162 7.2　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)構(gòu)成　165 7.2.1　隱藏層數(shù)量　170 7.2.2　每層的節(jié)點(diǎn)數(shù)量　170 7.2.3　神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法　170 7.3　神經(jīng)網(wǎng)絡(luò)工具箱　171 7.4　工具箱的用戶(hù)界面　175 7.5　使用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)擬合　176 7.5.1　如何使用擬合App（nftool）　178 7.5.2　腳本分析　186 7.6　總結(jié)　188 第8章　降維——改進(jìn)機(jī)器學(xué)習(xí)模型的性能　190 8.1　特征選擇　190 8.1.1　分步回歸　191 8.1.2　MATLAB中的分步回歸　192 8.2　特征提取　199 8.3　總結(jié)　210 第9章　機(jī)器學(xué)習(xí)實(shí)戰(zhàn)　211 9.1　用于預(yù)測(cè)混凝土質(zhì)量的數(shù)據(jù)擬合　211 9.2　使用神經(jīng)網(wǎng)絡(luò)診斷甲狀腺疾病　222 9.3　使用模糊聚類(lèi)對(duì)學(xué)生進(jìn)行分簇　226 9.4　總結(jié)　231