机器学习工程简明教程

第1章 绪论 1.1 机器学习定义 1.2 机器学习发展历程 1.3 机器学习分类 1.3.1 有监督学习 1.3.2 分类模型评判指标 1.3.3 无监督学习 1.3.4 增强学习 1.4 实验环境介绍 1.4.1 语言的选择 1.4.2 Python的安装 1.4.3 PyCharm编辑器 1.5 本章小结 第2章 七近邻 2.1 k近邻算法介绍 2.2 入门实例 2.3 忌近邻算法的深入讨论 2.3.1 k值对结果的影响 2.3.2 相似程度的度量 2.3.3 决策策略 2.4 实际应用 2.4.1 KNeighborsClassifier类介绍 2.4.2 小试牛刀 2.4.3 实战演示 2.5 本章小结 第3章 决策树 3.1 决策树算法介绍 3.2 构建决策树的方法 3.2.1 信息熵 3.2.2 信息增益 3.2.3 ID3算法 3.2.4 C4.5算法 3.2.5 CART算法 3.3 模型评估方法 3.3.1 保留法 3.3.2 k折交叉验证法 3.3.3 自助法 3.4 实际应用 3.4.1 DecisionTreeClassifier类介绍 3.4.2 小试牛刀 3.4.3 实战演示 3.5 本章小结 第4章 朴素贝叶斯 4.1 贝叶斯定理 4.2 朴素贝叶斯算法介绍 4.3 入门实例 4.4 Laplace修正 4.5 实际应用 4.5.1 GussianNB类介绍 4.5.2 小试牛刀 4.5.3 实战演示 4.6 本章小结 第5章 支持向量机 5.1 支持向量机算法介绍 …… 第6章 AdaBoost 第7章 线性回归 第8章 神经网络 第9章 k-means 第10章 Apriori关联分析 第11章 PCA降维 参考文献 附录A 线性代数基础 附录B 概率论基础 附录C Python基础