图解机器学习算法(全彩印刷)/图灵程序设计丛书

第　1章
机器学习基础　1
1．1　机器学习概要　2
什么是机器学习　2
机器学习的种类　3
机器学习的应用　8
1．2　机器学习的步骤　9
数据的重要性　9
有监督学习（分类）的例子　11
无监督学习（聚类）的例子　16
可视化　18
图形的种类和画法：使用Matplotlib显示图形的方法　22
使用pandas理解和处理数据　30
本章小结　36
第　2章
有监督学习　37
2．1　算法1：线性回归　38
概述　38
算法说明　39
详细说明　41
2．2　算法2：正则化　45
概述　45
算法说明　48
详细说明　50
2．3　算法3：逻辑回归　52
概述　52
算法说明　53
详细说明　55
2．4　算法4：支持向量机　58
概述　58
算法说明　59
详细说明　60
2．5　算法5：支持向量机（核方法）　63
概述　63
算法说明　64
详细说明　65
2．6　算法6：朴素贝叶斯　68
概述　68
算法说明　70
详细说明　74
2．7　算法7：随机森林　76
概述　76
算法说明　77
详细说明　80
2．8　算法8：神经网络　81
概述　81
算法说明　83
详细说明　86
2．9　算法9：KNN　88
概述　88
算法说明　89
详细说明　90
第3章
无监督学习　93
3．1　算法10：PCA　94
概述　94
算法说明　95
详细说明　98
3．2　算法11：LSA　99
概述　99
算法说明　100
详细说明　104
3．3　算法12：NMF　105
概述　105
算法说明　106
详细说明　108
3．4　算法13：LDA　111
概述　111
算法说明　112
详细说明　114
3．5　算法14：k-means算法　117
概述　117
算法说明　117
详细说明　119
3．6　算法15：混合高斯分布　122
概述　122
算法说明　123
详细说明　126
3．7　算法16：LLE　127
概述　127
算法说明　128
详细说明　131
3．8　算法17：t-SNE　133
概述　133
算法说明　134
详细说明　136
第4章
评估方法和各种数据的处理　139
4．1　评估方法　140
有监督学习的评估　140
分类问题的评估方法　140
回归问题的评估方法　148
均方误差和决定系数指标的不同　152
与其他算法进行比较　152
超参数的设置　154
模型的过拟合　155
防止过拟合的方法　155
将数据分为训练数据和验证数据　156
交叉验证　158
搜索超参数　160
4．2　文本数据的转换处理　163
基于单词出现次数的转换　163
基于tf-idf的转换　164
应用于机器学习模型　165
4．3　图像数据的转换处理　167
直接将像素信息作为数值使用　167
将转换后的向量数据作为输入来应用机器学习模型　168
第5章
环境搭建　171
5．1　Python 3的安装　172
Windows　172
macOS　172
Linux　173
使用Anaconda在Windows上安装　174
5．2　虚拟环境　175
通过官方安装程序安装Python的情况　175
通过Anaconda安装Python的情况　177
5．3　第三方包的安装　178
什么是第三方包　178
安装第三方包的方法　178

参考文献　180