包邮图解机器学习:算法原理与Python语言实现

第1章 机器学习的基本概念 1.1 数据挖掘和机器学习 1.1.1 从AlphaGo说起 1.1.2 数据挖掘和机器学习的关系 1.1.3 大数据和机器学习的关系 1.1.4 机器学习的思维导图 1.1.5 机器学习的一般流程 1.2 数据和数据集 1.3 数据预处理 1.3.1 数据清理 1.3.2 数据集成和融合 1.3.3 数据变换 1.3.4 数据规约 1.4 机器学习的经典算法 1.5 监督学习和无监督学习 1.6 机器学习任务举例 1.7 Python机器学习 第2章 *小二乘法 2.1 *小二乘法应用场景 2.2 线性回归 2.3 *小二乘法的原理和算法 2.3.1 变量间的关系 2.3.2 数据拟合 2.3.3 *小二乘法原理 2.4 用*小二乘法预测学生的身高、体重 2.5 逻辑回归应用场景 2.6 逻辑回归原理 2.6.1 Sigmoid（）函数 2.6.2 逻辑回归算法 2.7 使用逻辑回归对鸢尾花进行分类 第3章 *近邻算法 3.1 KNN应用场景 3.2 KNN算法概述 3.3 KNN算法流程 3.4 KNN算法核心三要素 3.4.1 邻近度度量 3.4.2 如何选择k值 3.4.3 分类决策规则 3.5 KNN算法的优缺点 3.6 KNN算法的Python实现 第4章 贝叶斯分类 4.1 贝叶斯分类应用场景 4.2 贝叶斯定理 4.3 朴素贝叶斯分类原理和算法 4.4 贝叶斯网络 4.5 贝叶斯估计 4.6 实例：使用朴素贝叶斯对电子邮件分类 第5章 支持向量机分类 5.1 支持向量机分类应用场景 5.2 支持向量机概念 5.3 线性可分和线性不可分SVM 5.3.1 线性可分SVM 5.3.2 线性不可分SVM 5.3.3 核函数 5.3.4 分类SvM算法流程 5.4 使用Sklearn的sVM支持向量机分类器 5.4.1 Sklearn中SVM的类继承关系 5.4.2 Sklearn线性SVM分类器 5.5 实例：人脸识别分类 第6章 增强学习AdaBoost 6.1 增强学习AdaBoost应用场景 6.2 集成方法 6.3 Boosting算法 6.4 AdaBoost算法 6.4.1 单层决策树方式的弱分类器 6.4.2 AdaBoost分类器的权重 6.4.3 AdaBoost算法流程 6.5 AdaBoost的优缺点 6.6 AdaBoost算法实现数字简单分类 第7章 决策树算法 7.1 决策树应用场景 7.2 决策树算法概述 7.3 决策树剪枝处理 7.4 Scikit-Learn决策树算法库 7.5 ID3算法 7.5.1 ID3算法原理 7.5.2 ID3算法的优缺点 7.5.3 使用Scikit-Learn库的ID3算法建立销售预测决策树 7.6 C4.5算法 7.6.1 C4.5算法原理 7.6.2 C4.5算法实例：使用Python C4.5算法建立决策树 7.7 CART生成算法 7.7.1 CART算法原理 7.7.2 CART回归树的生成 7.7.3 CART分类树的生成 7.7.4 使用Scikit-Learn库的CART算法建立销售预测决策树 7.8 实例：决策树预测隐形眼镜类型 第8章 无监督k-Means聚类 8.1 无监督k-Means聚类应用场景 8.2 无监督学习算法 8.3 k-Means算法介绍 8.3.1 k-Means算法概述 8.3.2 k-Means和KNN算法 8.4 k-Means算法原理和流程 8.4.1 欧氏距离 8.4.2 平均误差准则函数 8.4.3 k-Means聚类算法流程 8.5 Sklearn库的k-Means算法支持 8.6 使用Sklearn的k-Means实现鸢尾花聚类 8.7 航空公司使用k-Means算法实现客户分类 第9章 Apriori关联规则算法 9.1 关联规则算法应用场景 9.2 关联规则概述——有趣的啤酒和尿布 9.3 关联规则挖掘算法 9.4 Apriori关联规则算法原理 9.4.1 基本概念 9.4.2 关联规则的分类 9.4.3 Apriori算法原理 9.4.4 发现频繁项集过程 9.4.5 Apriori算法示例 9.5 使用Apriori算法发现酒店菜肴间关联规则 第10章 PageRank排序 10.1 PageRank排序应用场景 10.2 PageRank排序概述 10.3 PageRank模型和算法 10.3.1 如何度量网页本身的重要性 10.3.2 Pa~eRank的核心思路 10.3.3 PageRank模型 10.4 PageRank排序算法的优缺点 10.5 PageRank排序实例：发现网页之间链接关系 第11章 EM参数估计 11.1 参数估计应用场景 11.2 极大似然估计 11.3 EM算法原理 11.3.1 EM算法和极大似然法对比 11.3.2 *大似然法和EM算法解决硬币概率问题 11.3.3 EM算法迭代过程 11.3.4 EM.算法的坐标上升法 11.4 使用EM算法实现参数估计实例 11.4.1 实例1：质量分布数据参数估计 11.4.2 实例2：在高斯混合模型中的应用 第12章 半监督学习 12.1 半监督学习应用场景 12.2 半监督学习概述 12.3 半监督学习方法 12.4 基于图的半监督学习 12.4.1 构建相似矩阵 12.4.2 LP算法 12.5 Python实现标签传播算法 第13章 深度学习 13.1 深度学习应用场景 13.2 浅层学习和深度学习 13.2.1 感知器 13.2.2 浅层学习和深度学习对比 13.2.3 梯度和梯度下降 13.2.4 神经网络和反向传播算法 13.3 深度学习框架 13.4 深度学习与神经网络 13.4.1 卷积神经网络结构 13.4.2 卷积神经网络架构设计 13.4 _3配置卷积层或池化层 13.5 深度学习的训练过程 13.5.1 卷积层输出值的计算 13.5.2 池化层输出值的计算 13.5.3 卷积神经网络的训练 13.6 TensorFlow简介 13.6.1 基本概念 13.6.2 跨设备通信 13.6.3 梯度计算 13.7 TensorFlow应用实例：图像识别 第14章 迁移学习 14.1 迁移学习应用场景 14.2 迁移学习概述 14.3 迁移学习和自我学习 14.4 迁移学习方法 14.4.1 基本概念 14.4.2 迁移学习形式化描述 14.4.3 迁移学习算法 14.5 迁移学习实例：使用TensorFlow实现图像识别 参考文献