绪论

第1讲 K-means

1.1 基本原理

1.2 算法改进

1.3 仿真实验

1.4 算法特点

第2讲 KNN学习

2.1 基本原理

2.2 算法改进

2.3 仿真实验

2.4 算法特点

第3讲 回归学习

3.1 基本原理

3.1.1 参数回归

3.1.2 非参数回归

3.1.3 半参数回归

3.2 算法改进

3.2.1 线性回归模型

3.2.2 多项式回归模型

3.2.3 主成分回归模型

3.2.4 自回归模型

3.2.5 核回归模型

3.3 仿真实验

3.3.1 回归学习流程

3.3.2 基于回归学习的直线边缘提取

3.3.3 基于回归学习的图像插值

3.4 算法特点

第4讲 决策树学习

4.1 基本原理

4.1.1 分类与聚类

4.1.2 决策树

4.1.3 信息增益的度量标准

4.1.4 信息增益度量期望的熵降低

4.1.5 悲观错误剪枝PEP

4.1.6 基本决策树算法

4.2 算法改进

4.2.1 ID3算法

4.2.2 C4.5算法

4.2.3 SLIQ算法

4.2.4 SPRINT算法

4.3 仿真实验

4.3.1 用于学习布尔函数的ID3算法伪代码

4.3.2 C4.5算法构造决策树的伪代码

4.4 算法特点

第5讲 Random Forest学习

5.1 基本原理

5.1.1 决策树

5.1.2 Bagging集成学习

5.1.3 Random Forest方法

5.2 算法改进

5.3 仿真实验

5.3.1 Random Forest分类与回归流程

5.3.2 Forest-RI和Forest-RC

5.3.3 基于Random Forest的头部姿态估计

5.4 算法特点

第6讲 贝叶斯学习

6.1 基本原理

6.2 算法改进

6.2.1 朴素贝叶斯模型

6.2.2 层级贝叶斯模型

6.2.3 增广贝叶斯学习模型

6.2.4 基于Boosting技术的朴素贝叶斯模型

6.2.5 贝叶斯神经网络模型

6.3 仿真实验

6.3.1 Learn＿Bayse（X，V）

6.3.2 Classify＿Bayse（X）

6.4 算法特点

第7讲 EM算法

7.1 基本原理

7.2 算法改进

7.2.1 EM算法的快速计算

7.2.2 未知分布函数Pi（y i）的选取

7.2.3 EM算法收敛性的改进

7.3 仿真实验

7.3.1 EM算法流程

7.3.2 EM算法的伪代码

7.3.3 EM算法应用——高斯混合模型

7.4 算法特点

第8讲 Adaboost

8.1 基本原理

8.1.1 Boosting方法

8.1.2 Adaboost方法

8.2 算法改进

8.2.1 权值更新方法的改进

8.2.2 Adaboost并行算法

8.3 仿真实验

8.3.1 Adaboost算法实现流程

8.3.2 Adaboost算法示例

8.4 算法特点

8.4.1 Adaboost算法的优点

8.4.2 Adaboost算法的缺点

第9讲 SVM方法

9.1 基本原理

9.2 算法改进

9.3 仿真实验

9.4 算法特点

第10讲 增强学习

10.1 基本原理

10.2 算法改进

10.2.1 部分感知模型

10.2.2 增强学习中的函数估计

10.2.3 分层增强学习

10.2.4 多Agent增强学习

10.3 仿真实验

10.4 算法特点

第11讲 流形学习

11.1 算法原理

11.1.1 ISOMAP

11.1.2 LLE

11.1.3 LE

11.1.4 HE

11.2 算法改进

11.2.1 LPP

11.2.2 MFA

11.3 算法仿真

11.4 算法特点

第12讲 RBF学习

12.1 基本原理

12.1.1 基于RBF函数的内插方法

12.1.2 RBF神经网络

12.1.3 数据中心的计算方法

12.2 算法改进

12.2.1 针对完全内插问题的改进方法

12.2.2 针对不适定问题的改进方法

12.2.3 广义RBF神经网络

12.3 仿真实验

12.3.1 基于高斯函数的RBF学习

12.3.2 RBF学习算法流程

12.4 算法特点

第13讲 稀疏表示

13.1 基本原理

13.1.1 信号稀疏表示

13.1.2 贪婪求解算法

13.1.3 凸优化求解算法

13.2 算法改进

13.2.1 组合Lasso （Group Lasso）

13.2.2 混合Lasso （Fused Lasso）

13.2.3 弹性网络（Elastic net）

13.3 仿真实验

13.3.1 OMP算法

13.3.2 APG算法

13.3.3 基于稀疏表示的人脸识别

13.4 算法特点

13.4.1 算法优点

13.4.2 算法缺点

第14讲 字典学习

14.1 基本原理

14.2 算法改进

14.2.1 最优方向法（MOD）

14.2.2 K-SVD法

14.2.3 在线字典学习法

14.3 仿真实验

14.3 基于字典学习的视频图像降噪方法

14.4 算法特点

14.4.1 算法优点

14.4.2 算法缺点

第15讲 BP学习

15.1 基本原理

15.1.1 人工神经网络

15.1.2 BP学习原理

15.2 算法改进

15.2.1 改进学习速率

15.2.2 改进训练样本

15.2.3 改进损失函数

15.2.4 改进连接方式

15.3 仿真实验

15.4 算法特点

第16讲 CNN学习

16.1 基本原理

16.1.1 神经认知机模型

16.1.2 CNN算法思想

16.1.3 CNN网络结构

16.1.4 CNN网络学习

16.2 算法改进

16.2.1 设计新的卷积神经网络训练策略

16.2.2 使用GPU加速卷积运算过程

16.2.3 使用并行计算提高网络训练和测试速度

16.2.4 采用分布式计算提高网络训练和测试速度

16.2.5 硬件化卷积神经网络

16.3 仿真实验

16.3.1 卷积神经网络训练算法仿真

16.3.2 卷积神经网络实际应用实例

16.4 算法特点

16.4.1 算法优点

16.4.2 算法缺点

第17讲 RBM学习

17.1 基本原理

17.1.1 RBM学习思想

17.1.2 RBM模型基础

17.1.3 RBM模型学习

17.2 算法改进

17.2.1 方差RBM

17.2.2 均值方差RBM

17.2.3 稀疏RBM

17.2.4 稀疏组RBM

17.2.5 分类R BM

17.3 仿真实验

17.4 算法特点

17.4.1 算法优点

17.4.2 算法缺点

第18讲 深度学习

18.1 基本原理

18.2 算法改进

18.3 仿真实验

18.4 算法特点

第19讲 遗传算法

19.1 算法原理

19.2 算法改进

19.2.1 适应度函数设计

19.2.2 初始群体的选取

19.3 算法仿真

19.3.1 图像预处理

19.3.2 车牌特征选取

19.3.3 基于遗传算法的车牌定位

19.4 算法特点

19.4.1 遗传算法的优点

19.4.2 遗传算法的不足

第20讲 蚁群方法

20.1 基本原理

20.1.1 群智能

20.1.2 蚂蚁寻找食物源方法

20.1.3 蚁群算法的规则

20.1.4 蚁群算法的实现

20.2 算法改进

20.2.1 基于遗传学的改进蚁群算法

20.2.2 蚁群系统

20.2.3 精英蚁群系统

20.2.4 最大最小蚁群系统

20.2.5 排序蚁群系统

20.2.6 最优-最差蚂蚁系统

20.3 仿真实验

20.3.1 蚁群算法实例

20.3.2 蚁群算法实现流程

20.3.3 蚁群算法伪代码

20.4 算法特点