本書的編程語言以MATLAB為主，分別從學習方式和理論知識兩個方面來對機器學習（實現(xiàn)人工智能的方法）的算法進行分類介紹。通過閱讀本書，讀者可以對人工智能的子集機器學習形成一個系統(tǒng)、全面、完整的認識，并且在今后的研究工作中逐步拓展，*終形成自己的體系。全書共6篇，分別為特征處理算法、分類和聚類算法、神經(jīng)網(wǎng)絡算法、優(yōu)化算法、基于不同數(shù)學思想的算法以及集成算法，每一篇都對該類別中常見算法的思想、流程、核心知識和優(yōu)缺點等內(nèi)容進行了詳細介紹，并通過實際的案例分析和代碼展示，對算法的具體應用進行了完整解析。
本書適用的讀者對象包括金融機構的量化投資經(jīng)理、科研工作者、互聯(lián)網(wǎng)企業(yè)的算法工程師、大中專院校相關專業(yè)師生，以及其他對實現(xiàn)人工智能的機器學習技術感興趣的讀者。

全面解析算法的思想、流程、核心知識、優(yōu)缺點、典型案例及源代碼
從特征處理、分類聚類到規(guī)模建模、優(yōu)化分析，完整的研究流程展示
涉及工程優(yōu)化、醫(yī)學檢測、量化投資、計算數(shù)學以及商業(yè)分析等領域
適用于算法工程師、量化投資經(jīng)理、科研工作者及高校相關專業(yè)師生

機器學習是一種實現(xiàn)人工智能的方法，用于研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構使之不斷改善自身的性能，其算法本質(zhì)上是一種規(guī)律發(fā)現(xiàn)或問題解決的工具和方法。本書共分6篇，每一篇都對相應類別下常見算法的理論知識進行了詳細介紹，并配有應用算法和代碼的案例。
篇為特征處理算法篇，主要介紹了特征工程領域針對數(shù)據(jù)研究的幾種常用特征處理算法的相關知識，包括ReliefF特征選擇算法、Chi-Merge算法，以及特征規(guī)約算法。作為邁向機器學習的步，本篇詳細介紹了特征處理算法的相關思想、流程、優(yōu)缺點，并通過實例對算法的具體應用進行了總結(jié)。
第二篇為分類和聚類算法篇，主要對幾種常見的分類和聚類算法進行介紹，包括KNN算法、K-Means算法、高斯混合聚類算法、ISODATA算法和譜聚類算法，詳細介紹了這些算法的思想、流程、核心知識和優(yōu)缺點，并通過實際案例，對分類和聚類相關算法的具體應用進行了詳細講解。
第三篇為神經(jīng)網(wǎng)絡算法篇，神經(jīng)網(wǎng)絡算法是當下較為熱門的一個機器學習分支。神經(jīng)網(wǎng)絡有多種分類，一般較為公認的有DNN、CNN、RNN三種。本篇將對與其相關的BP神經(jīng)網(wǎng)絡與徑向基神經(jīng)網(wǎng)絡算法、Hopfield神經(jīng)網(wǎng)絡算法以及LSTM長短期記憶網(wǎng)絡算法的思想、流程、結(jié)構、優(yōu)缺點進行了詳細介紹，并通過實際案例，展示了神經(jīng)網(wǎng)絡算法的具體應用。
第四篇為優(yōu)化算法篇，優(yōu)化是數(shù)據(jù)分析的常用方法，在許多經(jīng)典問題的求解中，優(yōu)化算法都起到至關重要的作用。本篇對幾種常見優(yōu)化算法的思想、流程、優(yōu)缺點以及具體應用進行了介紹，包括網(wǎng)格尋優(yōu)算法、模擬退火聚類算法和EMD經(jīng)驗模態(tài)分解算法等。
第五篇為基于不同數(shù)學思想的算法篇，通過對粗糙集算法、基于核的Fisher算法、SVM支持向量機算法和傅里葉級數(shù)及變換算法的思想、流程、概念、優(yōu)缺點以及具體應用進行了詳細介紹，幫助讀者拓展對于算法這一概念的進一步理解。
第六篇為集成算法篇，集成算法的主旨是將弱學習器通過某種形式良好地組織起來，使得這些弱學習器各自的性能相加組合，從而達到強學習器的效果。本篇分別對AdaBoost、Bagging、Stacking和Gradient Boosting四種集成算法的思想、流程、優(yōu)缺點以及具體應用進行了詳細介紹，從數(shù)據(jù)、弱學習器、集成方法三個角度出發(fā)進行深層次闡述。通過本篇的學習，讀者可以對集成算法形成較為全面的認識。
本書主要為有志于從事機器學習領域相關工作的讀者建立起一個通用性的流程和框架，并對流程的關鍵環(huán)節(jié)適當展開，給出一些介紹和程序案例。讀者可以從本書的學習中了解機器學習到底是什么，并在今后結(jié)合自身的工作，進一步豐富和拓展這個流程和框架，從而終成為一個機器學習算法的高級開發(fā)和應用者。

讀者定位和閱讀方法
本書分別從學習方式和理論知識兩個方面來對機器學習的算法進行分類介紹。在介紹每個算法時，都對其原理、思想、流程、優(yōu)缺點等理論知識進行了詳細介紹，然后以具體的實例分析和代碼展示來對該算法的應用進行完整解說。通過閱讀本書，讀者可以對機器學習形成一個系統(tǒng)、全面、完整的認識，并且在今后的研究工作中逐步拓展，終形成自己的體系。本書適用的讀者對象：金融機構的量化投資經(jīng)理、科研工作者、互聯(lián)網(wǎng)企業(yè)的算法工程師、大中專院校相關專業(yè)師生，以及其他對機器學習技術感興趣的讀者。

配套資源
編者在金融業(yè)從業(yè)多年，有著豐富的業(yè)界積累。讀者可以掃描封底二維碼（IT有得聊），進入讀者俱樂部，其中有本書相關的視頻授課資源，以及豐富的機器學習算法資源和其他研究資源。
由于編者水平有限，書中錯誤和疏漏之處在所難免。在此，誠懇地期待廣大讀者批評指正。在技術之路上如能與大家互勉共進，也將倍感榮幸。

李一邨，浙江杭州人，浙江大學量化金融博士，現(xiàn)任杭州伊園科技有限公司總經(jīng)理。前沿量化科學領域的深耕者，多年來致力于將多元學科的前沿理論嫁接融合到金融投資領域。被聘為杭州科促會數(shù)據(jù)科學家、杭州師范大學指導老師。曾連續(xù)5屆（第8~12屆）獲得《證券時報》和《期貨日報》聯(lián)合評選的中國*佳金融量化策略工程師。

前言
篇特征處理算法

第1章ReliefF特征選擇算法
1.1原理介紹
1.1.1算法思想
1.1.2算法流程
1.1.3算法詳細介紹
1.2ReliefF特征選擇算法優(yōu)缺點
1.3實例分析
1.3.1數(shù)據(jù)集介紹
1.3.2函數(shù)介紹
1.3.3ReliefF算法在分類問題中的實例分析
1.3.4ReliefF算法在回歸問題中的實例分析
1.4房價回歸預測問題的特征選擇案例代碼

第2章Chi-Merge算法
2.1原理介紹
2.1.1算法思想
2.1.2算法流程
2.2Chi-Merge算法的優(yōu)缺點
2.3實例分析
2.3.1數(shù)據(jù)集介紹
2.3.2函數(shù)介紹
2.3.3結(jié)果分析
2.4代碼獲取

第3章特征規(guī)約算法
3.1特征規(guī)約算法原理介紹
3.1.1特征規(guī)約算法思想
3.1.2特征規(guī)約算法流程
3.1.3PCA算法及相關矩陣分解
3.2幾種特征規(guī)約算法的優(yōu)缺點
3.3特征規(guī)約算法實例分析
3.3.1數(shù)據(jù)集介紹
3.3.2函數(shù)介紹
3.3.3結(jié)果分析
3.4代碼獲取

第二篇分類和聚類算法

第4章KNN算法
4.1原理介紹
4.1.1算法思想
4.1.2算法流程
4.2KNN算法的核心知識
4.2.1距離或相似度的衡量
4.2.2K值的選取
4.2.3K個鄰近樣本的選取
4.3KNN算法的優(yōu)缺點
4.4實例分析
4.4.1數(shù)據(jù)集介紹
4.4.2函數(shù)介紹
4.4.3結(jié)果分析
4.5代碼獲取

第5章K-Means算法
5.1原理介紹
5.1.1算法思想
5.1.2算法流程
5.1.3K值的選取
5.2K-Means算法的優(yōu)點與缺點
5.2.1K-Means算法的優(yōu)點
5.2.2K-Means算法的缺點
5.3實例分析
5.3.1數(shù)據(jù)集介紹
5.3.2函數(shù)介紹
5.3.3K的選擇
5.3.4訓練結(jié)果分析
5.4代碼介紹
5.4.1K-Means訓練的函數(shù)代碼
5.4.2計算距離矩陣的函數(shù)代碼
5.4.3分析模型的代碼
5.5代碼獲取

第6章高斯混合聚類算法
6.1原理介紹
6.1.1算法思想
6.1.2算法流程
6.1.3EM算法理論與GMM參數(shù)推導
6.1.4EM聚類與K-Means聚類的對比
6.2高斯混合聚類算法的優(yōu)缺點
6.3實例分析
6.3.1數(shù)據(jù)集介紹
6.3.2函數(shù)介紹
6.3.3學習過程
6.3.4樣本聚類結(jié)果
6.4代碼獲取

第7章ISODATA算法
7.1.1算法思想
7.1.2算法流程
7.2ISODATA算法的優(yōu)缺點
7.3實例分析
7.3.1函數(shù)介紹
7.3.2數(shù)據(jù)介紹
7.3.3訓練結(jié)果
7.3.4其他參數(shù)下的聚類結(jié)果
7.4代碼介紹
7.4.1鳶尾花數(shù)據(jù)測試代碼
7.4.2代碼獲取

第8章譜聚類算法
8.1原理介紹
8.1.1算法思想
8.1.2譜聚類的切圖聚類
8.1.3算法流程
8.2聚類普算法的優(yōu)缺點
8.3實例分析
8.3.1數(shù)據(jù)集介紹
8.3.2函數(shù)介紹
8.3.3結(jié)果分析
8.3.4代碼獲取

第三篇神經(jīng)網(wǎng)絡算法

第9章BP神經(jīng)網(wǎng)絡與徑向基神經(jīng)網(wǎng)絡算法
9.1原理介紹
9.1.1算法思想
9.1.2算法流程
9.1.3BP神經(jīng)網(wǎng)絡與徑向基神經(jīng)網(wǎng)絡結(jié)構說明
9.1.4誤差反向傳遞（含權值偏置調(diào)整）
9.1.5調(diào)整輸出層的權值偏置矩陣
9.1.6調(diào)整隱含層權值偏置矩陣
9.1.7徑向基神經(jīng)網(wǎng)絡
9.2BP和徑向基神經(jīng)網(wǎng)絡算法的優(yōu)缺點
9.2.1BP神經(jīng)網(wǎng)絡和徑向基神經(jīng)網(wǎng)絡的優(yōu)點
9.2.2BP神經(jīng)網(wǎng)絡和徑向基神經(jīng)網(wǎng)絡的缺點
9.3實例分析
9.3.1數(shù)據(jù)集介紹
9.3.2BP神經(jīng)網(wǎng)絡使用
9.3.3徑向基神經(jīng)網(wǎng)絡的應用
9.4代碼獲取

第10章Hopfield神經(jīng)網(wǎng)絡算法
10.1原理介紹
10.1.1算法思想
10.1.2算法流程
10.1.3Hopfield神經(jīng)網(wǎng)絡結(jié)構
10.1.4離散Hopfield網(wǎng)絡能量函數(shù)收斂性證明
10.2Hopfield神經(jīng)網(wǎng)絡算法的優(yōu)點與缺點
10.3正交法權值計算
10.4正交法權值計算的吸引情況說明
10.5實例分析
10.6代碼獲取

第11章LSTM長短期記憶網(wǎng)絡算法
11.1原理介紹
11.1.1算法思想
11.1.2算法流程
11.2LSTM的數(shù)學推導和說明
11.2.1數(shù)據(jù)集符號申明
11.2.2訓練過程
11.3激活函數(shù)求導說明
11.4補充
11.5LSTM算法的優(yōu)點與缺點
11.6實例分析
11.6.1數(shù)據(jù)集介紹
11.6.2函數(shù)介紹
11.6.3結(jié)果分析
11.7代碼獲取

第四篇優(yōu) 化 算 法

第12章網(wǎng)格尋優(yōu)算法
12.1原理介紹
12.1.1算法思想
12.1.2算法流程
12.2網(wǎng)格尋優(yōu)算法的優(yōu)缺點
12.3實例分析
12.3.1函數(shù)介紹
12.3.2結(jié)果分析
12.4代碼獲取

第13章模擬退火聚類算法
13.1原理介紹
13.1.1算法思想
13.1.2算法流程
13.2模擬退火算法的優(yōu)缺點
13.3實例分析
13.3.1數(shù)據(jù)介紹
13.3.2函數(shù)介紹
13.3.3結(jié)果分析
13.4代碼介紹
13.4.1分析模型的代碼
13.4.2模擬退火結(jié)合K-Means算法的代碼獲取

第14章EMD經(jīng)驗模態(tài)分解算法
14.1原理介紹
14.1.1算法思想
14.1.2算法流程
14.1.3經(jīng)驗模態(tài)分解（EMD）的核心要點
14.1.4經(jīng)驗模態(tài)分解的理論基礎
14.1.5包絡線擬合
14.1.6三次樣條插值的應用
14.1.7其他插值方法介紹
14.2EMD經(jīng)驗模態(tài)分解算法的優(yōu)缺點
14.3實例分析
14.3.1數(shù)據(jù)集介紹
14.3.2函數(shù)介紹
14.3.3上證指數(shù)EMD分解
14.4代碼獲取

第五篇基于不同數(shù)學思想的算法

第15章粗糙集算法
15.1原理介紹
15.1.1算法思想
15.1.2算法流程
15.1.3基本概念
15.2粗糙集算法的優(yōu)缺點
15.3實例分析
15.3.1數(shù)據(jù)集介紹
15.3.2函數(shù)介紹
15.3.3訓練結(jié)果
15.3.4其他說明
15.4代碼介紹
15.4.1測試案例代碼
15.4.2粗糙集算法涉及的其他代碼獲取

第16章基于核的Fisher算法
16.1基于核的Fisher算法介紹
16.1.1算法思想
16.1.2基于核的Fisher算法數(shù)學推