前言

從犯錯和經驗中學習是人類的一項基本能力，機器能有這樣的能力嗎？機器學習（machine learning）算法賦予了機器從經驗中學習的能力。機器學習賦予了計算機無須顯示編程即可自主學習的能力。機器學習算法通過學習原始數據，從原始數據集中提取規律，發現模式，構建模型，然后用這個模型對新的數據進行預測。

MATLAB為機器學習領域提供了必要的工具。用戶可以借助MATLAB環境提供的強大的交互式圖形界面，非常輕松地解決機器學習問題。

本書在陳述每個主題前，都會對這個主題的理論基礎進行精煉的概述，然后用實際案例舉例。通過閱讀本書，讀者能夠應用機器學習方法并充分利用MATLAB的功能解決實際問題。

本書內容

第1章：MATLAB機器學習初體驗。本章先對機器學習的基礎概念進行概述，然后快速介紹幾種不同類型的機器學習算法。除此之外，本章還會涉及MATLAB環境的部分介紹、背景和基礎概念。最后，我們還會探索MATLAB為機器學習領域提供的必要工具。

第2章：使用MATLAB導入數據和組織數據。本章主要使用MATLAB導入數據和組織數據。我們會介紹存儲數據的幾種不同形式以及將數據集導入/導出MATLAB的方法，最后還會分析如何以正確的形式組織數據，以便用于之后的數據分析。

第3章：從數據到知識發掘。從這一章開始，我們從數據中提取有用信息。我們從對基本的變量類別進行分析和逐步清洗數據入手，介紹了為分析和建模準備最合適數據的幾種方法，最后以數據可視化結尾——這對理解數據起著至關重要的作用。

第4章：找到變量之間的關系——回歸方法。本章介紹了MATLAB用于回歸分析的工具箱。我們從工具箱的用戶界面開始學習，繼而深入到如何使用內置函數進行回歸分析（包括擬合、預測和結果可視化）。

第5章：模式識別之分類算法。之前的章節一直在介紹頻率視角下的監督學習，從本章開始增加了概率論、貝葉斯視角下的機器學習算法以及非監督學習的內容。除了基于決策樹的頻率視角下的分類器，我們還將介紹如何使用最近鄰算法進行無監督分類，以及基于貝葉斯理論的后驗概率分類器。

第6章：無監督學習。本章著重介紹無監督學習和聚類分析。在這一章中，我們將介紹如何把數據集歸類到群、如何對相似的事物分簇。我們先介紹基于層級的聚類算法，接著將擴展到基于原型（prototype-based clustering）的聚類方法，如k均值和k鄰近算法。

第7章：人工神經網絡——模擬人腦的思考方式。本章講述如何使用人工神經網絡對數據進行擬合、分類以及聚類，其中介紹了一系列幫助提高訓練效率、評估網絡性能的預處理方法、參數調優方法及網絡結構可視化方法。

第8章：降維——改進機器學習模型的性能。本章講述如何構建最能夠表示數據集的特征矩陣，其中介紹了對數據集的降維變換的方法，以及對數據集進行特征提取的方法。

第9章：機器學習實戰。本章著重講述機器學習方法在實際生活中的應用。我們首先會完成一個真實的擬合任務，接著介紹如何使用神經網絡進行分類，最后以一個聚類任務結尾。通過學習本章的內容，讀者將了解如何在實際應用中分析、使用監督學習和非監督學習算法。

MATLAB環境要求

為了能運行本書中的MATLAB機器學習代碼，讀者需要安裝MATLAB（推薦使用最新版本，寫作本書時使用了R2017a）以及如下工具箱：統計機器學習工具箱（statistics and machine learning toolbox）、神經網絡工具箱（neural network toolbox）和模糊邏輯工具箱（fuzzy logic toolbox）。

讀者對象

本書的目標人群包括數據分析員、數據科學家、學生或任何希望學習機器學習算法以及構建數據處理、預測應用的人群。良好的數學和統計學（大學工科水平）背景非常有助于本書的學習。

本書約定

在本書中，我們用各種不同的文本格式來區分不同種類的信息。下面列舉了這些文本格式的例子并對它們的含義做出解釋。

下面是一個代碼段的例子：

    PC1 = 0.8852* Area + 0.3958 * Perimeter + 0.0043 * Compactness + 0.1286 * LengthK + 0.1110 * WidthK - 0.1195 * AsymCoef + 0.1290 * LengthKG

任何命令行的輸入或者輸出采用如下形式：

    >>10+90 ans = 100

新的術語和重要的詞匯以黑體表示。在諸如MATLAB的界面、菜單、對話框中顯示的詞匯在本書正文中以這種形式出現：“在幫助頁面中的一個引用頁”。

警告和重要的提示以這種圖形出現。

小技巧以這種圖形出現。