Python快樂(lè)編程：機(jī)器學(xué)習(xí)從入門(mén)到實(shí)戰(zhàn)

第1章初識(shí)Python機(jī)器學(xué)習(xí)
1.1機(jī)器學(xué)習(xí)簡(jiǎn)介
1.1.1機(jī)器學(xué)習(xí)的起源及發(fā)展
1.1.2監(jiān)督學(xué)習(xí)
1.1.3無(wú)監(jiān)督學(xué)習(xí)
1.1.4半監(jiān)督學(xué)習(xí)
1.1.5強(qiáng)化學(xué)習(xí)
1.1.6機(jī)器學(xué)習(xí)程序開(kāi)發(fā)步驟
1.1.7機(jī)器學(xué)習(xí)發(fā)展現(xiàn)狀
1.1.8機(jī)器學(xué)習(xí)的未來(lái)
1.2使用Python語(yǔ)言開(kāi)發(fā)
1.3NumPy函數(shù)庫(kù)基礎(chǔ)
1.3.1NumPy函數(shù)庫(kù)的安裝
1.3.2NumPy函數(shù)庫(kù)入門(mén)
1.4SciPy函數(shù)庫(kù)基礎(chǔ)
1.4.1SciPy函數(shù)庫(kù)的安裝
1.4.2SciPy函數(shù)庫(kù)入門(mén)
1.5Matplotlib庫(kù)
1.5.1Matplotlib庫(kù)的安裝
1.5.2Matplotlib庫(kù)的使用
1.6集成開(kāi)發(fā)環(huán)境Anaconda
1.7本章小結(jié)
1.8習(xí)題
第2章K近鄰算法
2.1K近鄰算法概述
2.1.1K近鄰算法的基本思想
2.1.2K近鄰的距離度量表示法
2.1.3K值的選擇
2.2K近鄰算法的實(shí)現(xiàn)： KD樹(shù)
2.2.1KD樹(shù)簡(jiǎn)介
2.2.2KD樹(shù)的構(gòu)建
2.2.3搜索KD樹(shù)
2.3實(shí)戰(zhàn)： 利用K近鄰算法改進(jìn)約會(huì)網(wǎng)站
2.4本章小結(jié)
2.5習(xí)題
 
 
第3章決策樹(shù)
3.1決策樹(shù)與信息熵
3.1.1決策樹(shù)簡(jiǎn)介
3.1.2信息與自信息
3.1.3信息熵
3.1.4信息增益與劃分?jǐn)?shù)據(jù)集
3.2構(gòu)建決策樹(shù)
3.3可視化決策樹(shù)
3.3.1注釋結(jié)點(diǎn)
3.3.2構(gòu)建完整的注解樹(shù)
3.4基尼指數(shù)與CART算法
3.5決策樹(shù)的剪枝
3.6本章小結(jié)
3.7習(xí)題
第4章樸素貝葉斯
4.1概率分布與貝葉斯決策論
4.2條件概率
4.3貝葉斯分類(lèi)
4.4樸素貝葉斯分類(lèi)
4.5實(shí)戰(zhàn)： 利用樸素貝葉斯分類(lèi)模型進(jìn)行文檔分類(lèi)
4.5.1將單詞表轉(zhuǎn)換為向量
4.5.2概率計(jì)算
4.5.3通過(guò)樸素貝葉斯模型進(jìn)行文件分類(lèi)
4.6實(shí)戰(zhàn)： 利用樸素貝葉斯分類(lèi)模型過(guò)濾垃圾郵件
4.6.1切分文本
4.6.2通過(guò)樸素貝葉斯模型過(guò)濾垃圾郵件
4.7本章小結(jié)
4.8習(xí)題
第5章邏輯回歸與梯度下降
5.1邏輯回歸與Sigmoid函數(shù)
5.1.1邏輯回歸簡(jiǎn)介
5.1.2Sigmoid函數(shù)簡(jiǎn)介
5.2梯度下降算法
5.2.1二維坐標(biāo)系中的梯度下降算法
5.2.2三維坐標(biāo)系中的梯度下降算法
5.3通過(guò)梯度下降算法找到參數(shù)
5.4決策邊界
5.5梯度下降算法的改進(jìn)
5.5.1批量梯度下降算法
5.5.2隨機(jī)梯度下降算法
5.6本章小結(jié)
5.7習(xí)題
第6章支持向量機(jī)
6.1支持向量機(jī)簡(jiǎn)介
6.2尋找間隔
6.3序列小優(yōu)化
6.3.1序列小化算法簡(jiǎn)介
6.3.2通過(guò)序列小優(yōu)化算法處理小規(guī)模數(shù)據(jù)集
6.3.3通過(guò)完整的序列小優(yōu)化算法進(jìn)行優(yōu)化
6.4核函數(shù)及其應(yīng)用
6.4.1高斯核函數(shù)
6.4.2高斯核函數(shù)的應(yīng)用
6.5本章小結(jié)
6.6習(xí)題
第7章AdaBoost算法
7.1集成學(xué)習(xí)算法簡(jiǎn)介
7.2AdaBoost算法原理
7.3單層決策樹(shù)與AdaBoost算法
7.4實(shí)戰(zhàn)： 通過(guò)AdaBoost算法進(jìn)行分類(lèi)
7.5非均衡分類(lèi)
7.5.1分類(lèi)性能度量指標(biāo)： 正確率、召回率
7.5.2分類(lèi)性能度量指標(biāo)： ROC曲線(xiàn)
7.5.3非均衡數(shù)據(jù)的采樣方法
7.6本章小結(jié)
7.7習(xí)題
第8章線(xiàn)性回歸
8.1線(xiàn)性回歸原理
8.1.1簡(jiǎn)單的線(xiàn)性回歸
8.1.2多元線(xiàn)性回歸
8.2局部加權(quán)線(xiàn)性回歸
8.3正則化的線(xiàn)性回歸
8.3.1嶺回歸
8.3.2Lasso回歸
8.4方差與偏差的平衡
8.5本章小結(jié)
8.6習(xí)題
第9章Kmeans算法
9.1無(wú)監(jiān)督學(xué)習(xí)算法
9.2Kmeans算法簡(jiǎn)介
9.3構(gòu)建簡(jiǎn)單的Kmeans模型
9.4K值的選擇
9.4.1肘部法則
9.4.2輪廓系數(shù)
9.4.3間隔統(tǒng)計(jì)量
9.4.4Canopy算法
9.5二分Kmeans算法
9.6本章小結(jié)
9.7習(xí)題
第10章Apriori算法
10.1關(guān)聯(lián)分析算法簡(jiǎn)介
10.2Apriori算法的工作原理
10.3實(shí)戰(zhàn)： Python編程發(fā)現(xiàn)頻繁項(xiàng)集
10.4實(shí)戰(zhàn)： Python編程發(fā)現(xiàn)強(qiáng)關(guān)聯(lián)規(guī)則
10.5本章小結(jié)
10.6習(xí)題
第11章FPgrowth算法
11.1FPgrowth算法簡(jiǎn)介
11.2構(gòu)建FP樹(shù)
11.2.1創(chuàng)建FP樹(shù)的數(shù)據(jù)結(jié)構(gòu)
11.2.2通過(guò)Python構(gòu)建FP樹(shù)
11.3通過(guò)FPgrowth算法提取頻繁項(xiàng)集
11.3.1提取條件模式基
11.3.2創(chuàng)建條件FP樹(shù)
11.4實(shí)戰(zhàn)： 從超市購(gòu)物清單中發(fā)掘信息
11.5本章小結(jié)
11.6習(xí)題
第12章主成分分析
12.1數(shù)據(jù)降維
12.2實(shí)戰(zhàn)： 通過(guò)Python實(shí)現(xiàn)簡(jiǎn)單的主成分分析
12.3對(duì)Iris數(shù)據(jù)集降維
12.4本章小結(jié)
12.5習(xí)題
第13章奇異值分解
13.1特征值分解
13.2奇異值分解簡(jiǎn)介
13.3實(shí)戰(zhàn)： 通過(guò)Python實(shí)現(xiàn)圖片壓縮
13.4基于協(xié)同過(guò)濾的推薦算法
13.4.1推薦算法概述
13.4.2協(xié)同推薦系統(tǒng)概述
13.4.3實(shí)戰(zhàn)： 通過(guò)Python實(shí)現(xiàn)基于用戶(hù)的協(xié)同推薦系統(tǒng)
13.4.4實(shí)戰(zhàn)： 通過(guò)Python實(shí)現(xiàn)基于物品的協(xié)同推薦系統(tǒng)
13.4.5構(gòu)建推薦引擎面臨的挑戰(zhàn)
13.5本章小結(jié)
13.6習(xí)題