機器學習與智能網絡優化

孫中亮，中信科移動通信技術股份有限公司教育業務總監、高級工程師。全國工業和信息化職業教育教學指導委員會通信職業教育教學指導分委員會專業建設專門工作委員會委員。一直致力於通信技術研究、移動通信產品開發測試及通信網絡運維工作，具有通信工程項目全交付周期管理經驗。完成教育部協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。申請發明專利26篇。開發教材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 智能網絡優化 10

1.2.1 無線網絡優化 10

1.2.2 機器學習在無線網絡優化中的應用 14

1.2.3 智能網絡優化平臺 15

1.3 本章小結 17

第2章 監督學習 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 模型調參 47

2.9 本章小結 51

第3章 無監督學習 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 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 73

第5章 基於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 問題分析及優化方案設計 81

5.5 本章小結 85

第6章 深度學習 86

6.1 深度神經網絡 86

6.2 卷積神經網絡 97

6.2.1 從神經網絡到深度學習 97

6.2.2 卷積神經網絡 98

6.2.3 卷積神經網絡的實例LeNet-5 105

6.3 循環神經網絡 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構建神經網絡 127

6.5.3 PyTorch GPU加速 130

6.5.4 PyTorch實戰案例 131

6.6 本章小結 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 160

第8章 基於深度學習的接入優化專題分析 162

8.1 接入優化實驗背景 162

8.2 特征選擇與提取 164

8.3 模型訓練和評估 165

8.4 問題分析及優化方案設計 167

8.5 本章小結 171

第9章 群體智能 172

9.1 群體智能概述 172

9.1.1 群體智能產生的背景 172

9.1.2 群體智能算法的優缺點和應用場景 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 粒子群算法的參數分析 187

9.5 本章小結 188

第10章 5G網絡智能節能實踐 190

10.1 5G網絡智能節能概述 190

10.2 基站節能策略 191

10.3 基於群體智能的基站智能節能業務 192

10.4 本章小結 195