机器学习与智能网络优化

1.中信科产业学院《机器学习与智能网络优化》课程指定教材，探讨了基于群体智能技术的基站智能节能业务，帮助读者进一步拓展知识边界。
2.作者是来自天津职业技术学院等多所高职院校的一线教师，熟知教学需求，既可作为高等院校通信工程、电子信息、人工智能、计算机科学等相关专业的教材，也可供从事信息通信网络技术相关工作的专业人士参考。
3.本书注重理论与实践相结合，将理论知识应用于实际工作中，能够满足企业的相关培训需求。

本书主要分为3部分。第一部分为第1～5章，介绍机器学习的基础知识，包括机器学习的基本概念、监督学习和无监督学习的主要算法、特征工程的技术，并探讨机器学习在通信网络优化中的应用，涵盖速率提升等无线网络优化方面的内容。第二部分为第6～8章，深入讲解深度学习与大模型、模型加速等高级技术，并探讨深度学习和大模型在通信网络优化中的应用。第三部分为第9～10章，介绍群体智能和技术，并探讨了基于群体智能技术的基站智能节能业务，帮助读者进一步拓展知识边界。
本书既可作为高等院校通信工程、电子信息、人工智能、计算机科学等相关专业的教材，也可供从事信息通信网络技术相关工作的专业人士参考。对于对机器学习和网络优化感兴趣的自学者来说，本书也是一本不可多得的自学指南。

孙中亮，中信科移动通信技术股份有限公司教育业务总监、高级工程师。全国工业和信息化职业教育教学指导委员会通信职业教育教学指导分委员会专业建设专门工作委员会委员。一直致力于通信技术研究、移动通信产品开发测试及通信网络运维工作，具有通信工程项目全交付周期管理经验。完成教育部协同育人项目申报立项100余项，主持完成3G/4G/5G移动通信工程关键技术验证项目11项。申请发明专利26篇。开发教材7部。

第1章 绪论 1
1.1 机器学习概述 1
1.1.1 机器学习的概念 1
1.1.2 机器学习的类型 2
1.1.3 机器学习的流程 3
1.1.4 机器学习算法分类 5
1.1.5 机器学习工具—— sklearn 5
1.2 智能网络优化 10
1.2.1 无线网络优化 10
1.2.2 机器学习在无线网络优化中的应用 14
1.2.3 智能网络优化平台 15
1.3 本章小结 17
第2章 监督学习 18
2.1 线性回归 18
2.2 逻辑斯谛回归 22
2.3 决策树 24
2.4 集成学习 30
2.5 朴素贝叶斯 36
2.6 K最邻近算法 41
2.7 模型评估和选择 44
2.7.1 训练误差与过拟合 44
2.7.2 评估方法 45
2.7.3 性能度量 46
2.7.4 模型选择 47
2.8 模型调参 47
2.9 本章小结 51
第3章 无监督学习 53
3.1 聚类的基本概念 53
3.1.1 聚类的定义 53
3.1.2 聚类和分类的区别 53
3.1.3 聚类算法的类别 54
3.2 K均值聚类算法 55
3.3 层次聚类算法 58
3.4 离群点检测 61
3.5 本章小结 64
第4章 特征选择与提取 65
4.1 特征选择 65
4.1.1 过滤法 66
4.1.2 包装法 67
4.1.3 嵌入法 68
4.2 特征提取与降维 68
4.2.1 特征提取与降维的概念 69
4.2.2 特征提取与降维的常用方法 69
4.2.3 PCA 70
4.3 本章小结 73
第5章 基于机器学习的速率提升专题分析 74
5.1 速率提升实验背景 74
5.2 特征选择与提取 76
5.3 模型训练和评估 79
5.4 问题分析及优化方案设计 81
5.5 本章小结 85
第6章 深度学习 86
6.1 深度神经网络 86
6.2 卷积神经网络 97
6.2.1 从神经网络到深度学习 97
6.2.2 卷积神经网络 98
6.2.3 卷积神经网络的实例LeNet-5 105
6.3 循环神经网络 107
6.4 Transformer模型 110
6.5 深度学习框架 125
6.5.1 PyTorch简介 126
6.5.2 PyTorch构建神经网络 127
6.5.3 PyTorch GPU加速 130
6.5.4 PyTorch实战案例 131
6.6 本章小结 135
第7章 模型部署和加速技术 136
7.1 模型部署 136
7.2 模型加速技术 139
7.2.1 模型量化 140
7.2.2 知识蒸馏 146
7.2.3 模型剪枝 152
7.3 本章小结 160
第8章 基于深度学习的接入优化专题分析 162
8.1 接入优化实验背景 162
8.2 特征选择与提取 164
8.3 模型训练和评估 165
8.4 问题分析及优化方案设计 167
8.5 本章小结 171
第9章 群体智能 172
9.1 群体智能概述 172
9.1.1 群体智能产生的背景 172
9.1.2 群体智能算法的优缺点和应用场景 173
9.2 遗传算法 173
9.2.1 遗传算法的基本思想 174
9.2.2 遗传算法的原理 175
9.3 蚁群算法 182
9.3.1 蚂蚁觅食习性 182
9.3.2 蚁群算法的介绍 182
9.3.3 蚁群算法的参数选择 184
9.4 粒子群算法 185
9.4.1 粒子群算法简介 185
9.4.2 粒子群算法的基本原理 186
9.4.3 粒子群算法的参数分析 187
9.5 本章小结 188
第10章 5G网络智能节能实践 190
10.1 5G网络智能节能概述 190
10.2 基站节能策略 191
10.3 基于群体智能的基站智能节能业务 192
10.4 本章小结 195