机器学习

第1章环境搭建 1.1实验环境的安装与搭建 1.1.1Anaconda的下载 1.1.2Anaconda的安装 1.1.3检验 1.1.4启动 1.2数据清洗和预处理 1.2.1原理简介 1.2.2算法步骤 1.2.3实战 1.2.4实验 第2章模型评估 2.1模型评估的样本集构建与评价 2.1.1原理简介 2.1.2样本集的构建方法 2.1.3算法步骤 2.1.4实战 2.1.5实验 2.2评估指标计算 2.2.1原理简介 2.2.2代码实现与实战 2.2.3实验 第3章分类问题 3.1K近邻算法 3.1.1原理简介 3.1.2算法步骤 3.1.3实战 3.1.4实验 3.2逻辑回归算法 3.2.1原理简介 3.2.2算法步骤 3.2.3实战 3.2.4实验 3.3决策树算法 3.3.1原理简介 3.3.2算法步骤 3.3.3实战 3.3.4实验 3.4支持向量机算法 3.4.1原理简介 3.4.2算法步骤 3.4.3实战 3.4.4实验
3.5EM算法 3.5.1原理简介 3.5.2算法步骤 3.5.3实战 3.5.4实验 3.6BP神经网络的分类和回归算法 3.6.1原理简介 3.6.2算法步骤 3.6.3实战 3.6.4实验 3.7卷积神经网络分类算法 3.7.1原理简介 3.7.2算法步骤 3.7.3实战 3.7.4实验 3.8多类分类算法 3.8.1原理简介 3.8.2算法步骤 3.8.3实战 3.8.4实验 第4章回归问题 4.1线性回归算法 4.1.1原理简介 4.1.2算法步骤 4.1.3实战 4.1.4实验 4.2多项式回归算法 4.2.1原理简介 4.2.2算法步骤 4.2.3实战 4.2.4实验 4.3支持向量回归算法 4.3.1原理简介 4.3.2算法步骤 4.3.3实战 4.3.4实验 4.4循环神经网络算法 4.4.1原理简介 4.4.2算法步骤 4.4.3实战 4.4.4实验 4.5集成学习： AdaBoost算法 4.5.1原理简介和算法步骤 4.5.2实战 4.5.3实验 4.6集成学习： 随机森林算法 4.6.1原理简介 4.6.2算法步骤 4.6.3实战 4.6.4实验 第5章聚类问题 5.1Kmeans聚类算法 5.1.1原理简介 5.1.2算法步骤 5.1.3k值的选择 5.1.4实战 5.1.5实验 5.2模糊聚类算法 5.2.1原理简介 5.2.2算法步骤 5.2.3实战 5.2.4实验 5.3基于密度聚类算法 5.3.1原理简介 5.3.2算法步骤 5.3.3实战 5.3.4实验 5.4层次聚类算法 5.4.1原理简介 5.4.2算法步骤 5.4.3实战 5.4.4实验 第6章降维问题 6.1主成分分析算法 6.1.1原理简介 6.1.2算法步骤 6.1.3实战 6.1.4实验 6.2独立成分分析算法 6.2.1原理简介 6.2.2算法步骤 6.2.3实战 6.2.4实验 参考文献