PYTHON机器学习实践

目录 译者的话 原书前言 第1章机器学习初步 1.1一个简单的监督模型：近邻法 1.2数据预处理 1.2.1数据放缩 1.2.2数据高斯化：幂变换简介 1.2.3类别变量的处理 1.2.4缺失值的处理 1.3不平衡数据的处理方法 1.3.1少数类的随机过采样 1.3.2多数类的随机欠采样 1.3.3合成少数类过采样 1.4降维：主成分分析（PCA） 1.4.1使用PCA进行降维 1.4.2特征提取 1.4.3非线性流形算法：t-SNE 第2章机器学习线性模型 2.1线性回归 2.2收缩方法 2.2.1Ridge回归（L2正则化） 2.2.2Lasso回归（L1正则化） 2.2.3弹性网络回归 2.3稳健回归 2.3.1Huber回归 2.3.2RANSAC 2.4Logistic回归 2.4.1Logistic回归为什么是线性的 2.4.2Logistic回归预测（原始模型输出）与概率（Sigmoid输出） 2.4.3Python Logistic回归 2.4.4模型性能评估 2.4.5正则化 2.5线性支持向量机 2.6逾越线性：核模型 2.6.1核技巧 2.6.2实际分类例子：人脸识别 第3章逾越线性：机器学习集成方法 3.1引言 3.2集成方法 3.2.1自举聚合 3.2.2包外估计（Out-Of-Bag Estimation） 3.3随机森林 3.3.1随机森林分类 3.3.2随机森林回归 3.4提升（Boosting）方法 3.4.1AdaBoost算法 3.4.2梯度提升（Gradient Boosting）算法 3.4.3梯度提升（XGBoost）算法 3.4.4CatBoost算法 第4章现代机器学习技术 4.1自然语言处理初步 4.1.1文本数据预处理 4.1.2文本的数值表示：词袋模型 4.1.3实际例子：使用IMDB电影评论数据集进行情感分析 4.1.4单词频率—逆文本频率 4.1.5n-Grams模型 4.1.6词嵌入 4.2深度学习初步 4.2.1用神经网络处理复杂数据 4.2.2多分类 附录 附录APython速成教程 A.1Python构建块 A.1.1变量 A.1.2方法与函数 A.2Python数据结构 A.2.1列表与元组 A.2.2集合 A.2.3字典 A.3Python循环 A.3.1for循环 A.3.2while循环 A.4Python高级数据结构 A.4.1列表推导式 A.4.2Lambda函数 A.5函数概念进阶 A.5.1通配符在函数参数中的使用 A.5.2函数中的局部作用域与全局作用域 A.6面向对象编程简介 A.6.1对象、类和属性 A.6.2子类和继承 附录B词袋模型的数学原理 参考文献