本書主要分為3部分。第一部分為第1～5章，介紹機器學習的基礎知識，包括機器學習的基本概念、監(jiān)督學習和無監(jiān)督學習的主要算法、特征工程的技術，并探討機器學習在通信網(wǎng)絡優(yōu)化中的應用，涵蓋速率提升等無線網(wǎng)絡優(yōu)化方面的內(nèi)容。第二部分為第6～8章，深入講解深度學習與大模型、模型加速等高級技術，并探討深度學習和大模型在通信網(wǎng)絡優(yōu)化中的應用。第三部分為第9～10章，介紹群體智能和技術，并探討了基于群體智能技術的基站智能節(jié)能業(yè)務，幫助讀者進一步拓展知識邊界。
本書既可作為高等院校通信工程、電子信息、人工智能、計算機科學等相關專業(yè)的教材，也可供從事信息通信網(wǎng)絡技術相關工作的專業(yè)人士參考。對于對機器學習和網(wǎng)絡優(yōu)化感興趣的自學者來說，本書也是一本不可多得的自學指南。
1.中信科產(chǎn)業(yè)學院《機器學習與智能網(wǎng)絡優(yōu)化》課程指定教材，探討了基于群體智能技術的基站智能節(jié)能業(yè)務，幫助讀者進一步拓展知識邊界。
2.作者是來自天津職業(yè)技術學院等多所高職院校的一線教師，熟知教學需求，既可作為高等院校通信工程、電子信息、人工智能、計算機科學等相關專業(yè)的教材，也可供從事信息通信網(wǎng)絡技術相關工作的專業(yè)人士參考。
3.本書注重理論與實踐相結(jié)合，將理論知識應用于實際工作中，能夠滿足企業(yè)的相關培訓需求。
孫中亮，中信科移動通信技術股份有限公司教育業(yè)務總監(jiān)、高級工程師。全國工業(yè)和信息化職業(yè)教育教學指導委員會通信職業(yè)教育教學指導分委員會專業(yè)建設專門工作委員會委員。一直致力于通信技術研究、移動通信產(chǎn)品開發(fā)測試及通信網(wǎng)絡運維工作，具有通信工程項目全交付周期管理經(jīng)驗。完成教育部協(xié)同育人項目申報立項100余項，主持完成3G/4G/5G移動通信工程關鍵技術驗證項目11項。申請發(fā)明專利26篇。開發(fā)教材7部。
第1章 緒論 1
1.1 機器學習概述 1
1.1.1 機器學習的概念 1
1.1.2 機器學習的類型 2
1.1.3 機器學習的流程 3
1.1.4 機器學習算法分類 5
1.1.5 機器學習工具—— sklearn 5
1.2 智能網(wǎng)絡優(yōu)化 10
1.2.1 無線網(wǎng)絡優(yōu)化 10
1.2.2 機器學習在無線網(wǎng)絡優(yōu)化中的應用 14
1.2.3 智能網(wǎng)絡優(yōu)化平臺 15
1.3 本章小結(jié) 17
第2章 監(jiān)督學習 18
2.1 線性回歸 18
2.2 邏輯斯諦回歸 22
2.3 決策樹 24
2.4 集成學習 30
2.5 樸素貝葉斯 36
2.6 K最鄰近算法 41
2.7 模型評估和選擇 44
2.7.1 訓練誤差與過擬合 44
2.7.2 評估方法 45
2.7.3 性能度量 46
2.7.4 模型選擇 47
2.8 模型調(diào)參 47
2.9 本章小結(jié) 51
第3章 無監(jiān)督學習 53
3.1 聚類的基本概念 53
3.1.1 聚類的定義 53
3.1.2 聚類和分類的區(qū)別 53
3.1.3 聚類算法的類別 54
3.2 K均值聚類算法 55
3.3 層次聚類算法 58
3.4 離群點檢測 61
3.5 本章小結(jié) 64
第4章 特征選擇與提取 65
4.1 特征選擇 65
4.1.1 過濾法 66
4.1.2 包裝法 67
4.1.3 嵌入法 68
4.2 特征提取與降維 68
4.2.1 特征提取與降維的概念 69
4.2.2 特征提取與降維的常用方法 69
4.2.3 PCA 70
4.3 本章小結(jié) 73
第5章 基于機器學習的速率提升專題分析 74
5.1 速率提升實驗背景 74
5.2 特征選擇與提取 76
5.3 模型訓練和評估 79
5.4 問題分析及優(yōu)化方案設計 81
5.5 本章小結(jié) 85
第6章 深度學習 86
6.1 深度神經(jīng)網(wǎng)絡 86
6.2 卷積神經(jīng)網(wǎng)絡 97
6.2.1 從神經(jīng)網(wǎng)絡到深度學習 97
6.2.2 卷積神經(jīng)網(wǎng)絡 98
6.2.3 卷積神經(jīng)網(wǎng)絡的實例LeNet-5 105
6.3 循環(huán)神經(jīng)網(wǎng)絡 107
6.4 Transformer模型 110
6.5 深度學習框架 125
6.5.1 PyTorch簡介 126
6.5.2 PyTorch構(gòu)建神經(jīng)網(wǎng)絡 127
6.5.3 PyTorch GPU加速 130
6.5.4 PyTorch實戰(zhàn)案例 131
6.6 本章小結(jié) 135
第7章 模型部署和加速技術 136
7.1 模型部署 136
7.2 模型加速技術 139
7.2.1 模型量化 140
7.2.2 知識蒸餾 146
7.2.3 模型剪枝 152
7.3 本章小結(jié) 160
第8章 基于深度學習的接入優(yōu)化專題分析 162
8.1 接入優(yōu)化實驗背景 162
8.2 特征選擇與提取 164
8.3 模型訓練和評估 165
8.4 問題分析及優(yōu)化方案設計 167
8.5 本章小結(jié) 171
第9章 群體智能 172
9.1 群體智能概述 172
9.1.1 群體智能產(chǎn)生的背景 172
9.1.2 群體智能算法的優(yōu)缺點和應用場景 173
9.2 遺傳算法 173
9.2.1 遺傳算法的基本思想 174
9.2.2 遺傳算法的原理 175
9.3 蟻群算法 182
9.3.1 螞蟻覓食習性 182
9.3.2 蟻群算法的介紹 182
9.3.3 蟻群算法的參數(shù)選擇 184
9.4 粒子群算法 185
9.4.1 粒子群算法簡介 185
9.4.2 粒子群算法的基本原理 186
9.4.3 粒子群算法的參數(shù)分析 187
9.5 本章小結(jié) 188
第10章 5G網(wǎng)絡智能節(jié)能實踐 190
10.1 5G網(wǎng)絡智能節(jié)能概述 190
10.2 基站節(jié)能策略 191
10.3 基于群體智能的基站智能節(jié)能業(yè)務 192
10.4 本章小結(jié) 195
書單推薦
