机器学习基础(第2版·题库·微课视频版)

随书资源
第1章机器学习概述 1.1机器学习的组成 1.2分类问题及回归问题 1.3监督学习、半监督学习和无监督学习 1.4生成模型及判别模型 1.5模型评估 1.5.1训练误差及泛化误差 1.5.2过拟合及欠拟合 1.6正则化 1.7Scikitlearn模块 1.7.1数据集 1.7.2模型选择 习题1 第2章逻辑回归及*大熵模型 2.1线性回归 2.1.1一元线性回归 2.1.2多元线性回归 2.2广义线性回归 2.2.1逻辑回归 2.2.2多分类逻辑回归 2.2.3交叉熵损失函数 2.3*大熵模型 2.3.1*大熵模型的导出 2.3.2*大熵模型与逻辑回归之间的关系 2.4评价指标 2.4.1混淆矩阵 2.4.2准确率 2.4.3精确率与召回率 2.4.4PR曲线 2.4.5ROC曲线 2.5实例： 基于逻辑回归实现乳腺癌预测 习题2
第3章k近邻算法 3.1k值的选取 3.2距离的度量 3.3快速检索 3.4实例： 基于k近邻算法实现鸢尾花分类 习题3 第4章决策树 4.1特征选择 4.1.1信息增益 4.1.2信息增益比 4.2决策树生成算法CART 4.3决策树剪枝 4.3.1预剪枝 4.3.2后剪枝 4.4实例： 基于决策树实现葡萄酒分类 习题4 第5章朴素贝叶斯分类器 5.1极大似然估计 5.2朴素贝叶斯分类 5.3拉普拉斯平滑 5.4朴素贝叶斯分类器的极大似然估计解释 5.5实例： 基于朴素贝叶斯实现垃圾短信分类 习题5 第6章支持向量机 6.1*大间隔及超平面 6.2线性可分支持向量机 6.3线性支持向量机 6.4合页损失函数 6.5核技巧 6.6二分类问题与多分类问题 6.6.1一对一 6.6.2一对多 6.6.3多对多 6.7实例： 基于支持向量机实现葡萄酒分类 习题6 第7章集成学习 7.1偏差与方差 7.2Bagging及随机森林 7.2.1Bagging 7.2.2随机森林 7.3Boosting及AdaBoost 7.3.1Boosting 7.3.2AdaBoost 7.4提升树 7.4.1残差提升树 7.4.2GBDT 7.4.3XGBoost 7.5Stacking 7.6实例: 基于梯度下降树实现波士顿房价预测 习题7 第8章EM算法及其应用 8.1Jensen不等式 8.2EM算法 8.3高斯混合模型（GMM） 8.4隐马尔可夫模型 8.4.1计算观测概率的输出 8.4.2估计隐马尔可夫模型的参数 8.4.3隐变量序列预测 8.5实例： 基于高斯混合模型实现鸢尾花分类 习题8 第9章降维 9.1主成分分析 9.1.1方差即协方差的无偏估计 9.1.2实例： 基于主成分分析实现鸢尾花数据降维 9.2奇异值分解 9.2.1奇异值分解的构造 9.2.2奇异值分解用于数据压缩 9.2.3SVD与PCA的关系 9.2.4奇异值分解的几何解释 9.2.5实例： 基于奇异值分解实现图片压缩 习题9 第10章聚类 10.1距离度量 10.1.1闵可夫斯基距离 10.1.2余弦相似度 10.1.3马氏距离 10.1.4汉明距离 10.2层次聚类 10.3KMeans聚类 10.4KMedoids聚类 10.5DBSCAN 10.6实例： 基于KMeans实现鸢尾花聚类 习题10
第11章神经网络与深度学习 11.1神经元模型 11.2多层感知机 11.3损失函数 11.4反向传播算法 11.4.1梯度下降法 11.4.2梯度消失及梯度爆炸 11.5卷积神经网络 11.5.1卷积 11.5.2池化 11.5.3网络架构 11.6循环神经网络 11.7生成对抗网络 11.8图卷积神经网络 11.9深度学习发展 11.10实例： 基于卷积神经网络实现手写数字识别 11.10.1MNIST数据集 11.10.2基于卷积神经网络的手写数字识别 习题11 第12章案例： 用户流失预警 12.1读入数据 12.2数据预处理和自变量标准化 12.3五折交叉验证 12.4代入三种模型 12.5调整prob阈值，输出精度评估 第13章案例： 基于回归问题和XGBoost模型的房价预测 13.1XGBoost模型介绍 13.2技术方案 13.2.1数据分析 13.2.2XGBoost模型参数 13.2.3调参过程 13.3完整代码及结果展示 第14章案例： 基于KMeans算法的鸢尾花数据聚类和可视化 14.1数据及工具简介 14.1.1Iris数据集(鸢尾花数据集) 14.1.2Tkinter 14.2案例分析 14.2.1模块引入 14.2.2布局图形界面 14.2.3读取数据文件 14.2.4聚类 14.2.5聚类结果可视化 14.2.6误差分析及其可视化 14.2.7使用流程 第15章案例： 影评数据分析与电影推荐 15.1明确目标与准备数据 15.2工具选择 15.3初步分析 15.3.1用户角度分析 15.3.2电影角度分析 15.4电影推荐 第16章案例： 股价预测 16.1使用Tsfresh进行升维和特征工程 16.2程序设计思路 16.3程序设计步骤 16.3.1读入并分析数据 16.3.2移窗 16.3.3升维 16.3.4方差过滤 16.3.5使用AdaBoostRegressor模型进行回归预测 16.3.6预测结果分析 第17章案例： 使用CRF实现命名实体识别 17.1模型定义 17.2数据预处理 17.3模型训练 17.4模型预测
第18章案例： 利用手机的购物评论分析手机特征 18.1数据准备 18.2数据分析 18.2.1模型介绍 18.2.2算法应用 18.2.3名词提取 18.2.4情感分析 第19章案例： 基于CNN的手写数字识别 19.1MINST数据集介绍与分析 19.2基于 CNN 的构建与训练
参考文献