机器学习原理与Python编程实践

第1章 机器学习介绍 1.1 机器学习简介 1.1.1 什么是机器学习 1.1.2 机器学习与日常生活 1.1.3如何学习机器学习 1.1.4 Pymon的优势 1.2 基本概念 1.2.1 机器学习的种类 1.2.2 有监督学习 1.2.3 无监督学习 1.2.4 机器学习的术语 1.2.5 预处理 1.3 Numpy数据格式 l.3.1 标称数据 1.3.2 序数数据 1.3.3 分类数据 1.4 示例数据集 1.4.1 天气问题 1.4.2 鸢尾花 1.4.3 其他数据集 1.5 了解你的数据 习题 第2章 线性回归 2.1 从一个实际例子说起 2.1.1 模型定义 2.1.2 模型假设 2.1.3 模型评估 2.2 *小二乘法 2.2.1 *小二乘法求解参数 2.2.2 用*小二乘法来拟合奥运会 数据 2.2.3预测比赛结果 2.3 梯度下降 2-3.1 基本思路 2.3.2梯度下降算法 2.3.3梯度下降求解线性回归问题 2.4 多变量线性回归 2.4.1 多变量线性回归问题 2.4.2 多变量梯度下降 2.4.3随机梯度下降 2.4.4 小批量梯度下降 2.4.5 正规方程 2.5 多项式回归 2.5.1 多项式回归算法 2.5.2 正则化 习题 第3章 逻辑回归 3.1 逻辑回归介绍 3.1.1 线性回归用于分类 3.1.2 假设函数 3.1.3决策边界 3.2 逻辑回归算法 3.2.1 代价函数 3.2.2 梯度下降算法 3.2.3 SciPy优化函数 …… 第4章 贝叶斯分类器 第5章 模型评估与选择 第6章 K-均值算法和EM算法 第7章 决策树 第8章 神经网络 第9章 隐马尔科夫模型 第10章 支持向量机 第11章 推荐系统 第12章 主成分分析 第13章 集成学习 附录 1 符号表 附录 2 习题参考答案 参考文献