Python快樂編程：機(jī)器學(xué)習(xí)從入門到實戰(zhàn)

第1章初識Python機(jī)器學(xué)習(xí)
1.1機(jī)器學(xué)習(xí)簡介
1.1.1機(jī)器學(xué)習(xí)的起源及發(fā)展
1.1.2監(jiān)督學(xué)習(xí)
1.1.3無監(jiān)督學(xué)習(xí)
1.1.4半監(jiān)督學(xué)習(xí)
1.1.5強化學(xué)習(xí)
1.1.6機(jī)器學(xué)習(xí)程序開發(fā)步驟
1.1.7機(jī)器學(xué)習(xí)發(fā)展現(xiàn)狀
1.1.8機(jī)器學(xué)習(xí)的未來
1.2使用Python語言開發(fā)
1.3NumPy函數(shù)庫基礎(chǔ)
1.3.1NumPy函數(shù)庫的安裝
1.3.2NumPy函數(shù)庫入門
1.4SciPy函數(shù)庫基礎(chǔ)
1.4.1SciPy函數(shù)庫的安裝
1.4.2SciPy函數(shù)庫入門
1.5Matplotlib庫
1.5.1Matplotlib庫的安裝
1.5.2Matplotlib庫的使用
1.6集成開發(fā)環(huán)境Anaconda
1.7本章小結(jié)
1.8習(xí)題
第2章K近鄰算法
2.1K近鄰算法概述
2.1.1K近鄰算法的基本思想
2.1.2K近鄰的距離度量表示法
2.1.3K值的選擇
2.2K近鄰算法的實現(xiàn)： KD樹
2.2.1KD樹簡介
2.2.2KD樹的構(gòu)建
2.2.3搜索KD樹
2.3實戰(zhàn)： 利用K近鄰算法改進(jìn)約會網(wǎng)站
2.4本章小結(jié)
2.5習(xí)題
 
 
第3章決策樹
3.1決策樹與信息熵
3.1.1決策樹簡介
3.1.2信息與自信息
3.1.3信息熵
3.1.4信息增益與劃分?jǐn)?shù)據(jù)集
3.2構(gòu)建決策樹
3.3可視化決策樹
3.3.1注釋結(jié)點
3.3.2構(gòu)建完整的注解樹
3.4基尼指數(shù)與CART算法
3.5決策樹的剪枝
3.6本章小結(jié)
3.7習(xí)題
第4章樸素貝葉斯
4.1概率分布與貝葉斯決策論
4.2條件概率
4.3貝葉斯分類
4.4樸素貝葉斯分類
4.5實戰(zhàn)： 利用樸素貝葉斯分類模型進(jìn)行文檔分類
4.5.1將單詞表轉(zhuǎn)換為向量
4.5.2概率計算
4.5.3通過樸素貝葉斯模型進(jìn)行文件分類
4.6實戰(zhàn)： 利用樸素貝葉斯分類模型過濾垃圾郵件
4.6.1切分文本
4.6.2通過樸素貝葉斯模型過濾垃圾郵件
4.7本章小結(jié)
4.8習(xí)題
第5章邏輯回歸與梯度下降
5.1邏輯回歸與Sigmoid函數(shù)
5.1.1邏輯回歸簡介
5.1.2Sigmoid函數(shù)簡介
5.2梯度下降算法
5.2.1二維坐標(biāo)系中的梯度下降算法
5.2.2三維坐標(biāo)系中的梯度下降算法
5.3通過梯度下降算法找到參數(shù)
5.4決策邊界
5.5梯度下降算法的改進(jìn)
5.5.1批量梯度下降算法
5.5.2隨機(jī)梯度下降算法
5.6本章小結(jié)
5.7習(xí)題
第6章支持向量機(jī)
6.1支持向量機(jī)簡介
6.2尋找間隔
6.3序列小優(yōu)化
6.3.1序列小化算法簡介
6.3.2通過序列小優(yōu)化算法處理小規(guī)模數(shù)據(jù)集
6.3.3通過完整的序列小優(yōu)化算法進(jìn)行優(yōu)化
6.4核函數(shù)及其應(yīng)用
6.4.1高斯核函數(shù)
6.4.2高斯核函數(shù)的應(yīng)用
6.5本章小結(jié)
6.6習(xí)題
第7章AdaBoost算法
7.1集成學(xué)習(xí)算法簡介
7.2AdaBoost算法原理
7.3單層決策樹與AdaBoost算法
7.4實戰(zhàn)： 通過AdaBoost算法進(jìn)行分類
7.5非均衡分類
7.5.1分類性能度量指標(biāo)： 正確率、召回率
7.5.2分類性能度量指標(biāo)： ROC曲線
7.5.3非均衡數(shù)據(jù)的采樣方法
7.6本章小結(jié)
7.7習(xí)題
第8章線性回歸
8.1線性回歸原理
8.1.1簡單的線性回歸
8.1.2多元線性回歸
8.2局部加權(quán)線性回歸
8.3正則化的線性回歸
8.3.1嶺回歸
8.3.2Lasso回歸
8.4方差與偏差的平衡
8.5本章小結(jié)
8.6習(xí)題
第9章Kmeans算法
9.1無監(jiān)督學(xué)習(xí)算法
9.2Kmeans算法簡介
9.3構(gòu)建簡單的Kmeans模型
9.4K值的選擇
9.4.1肘部法則
9.4.2輪廓系數(shù)
9.4.3間隔統(tǒng)計量
9.4.4Canopy算法
9.5二分Kmeans算法
9.6本章小結(jié)
9.7習(xí)題
第10章Apriori算法
10.1關(guān)聯(lián)分析算法簡介
10.2Apriori算法的工作原理
10.3實戰(zhàn)： Python編程發(fā)現(xiàn)頻繁項集
10.4實戰(zhàn)： Python編程發(fā)現(xiàn)強關(guān)聯(lián)規(guī)則
10.5本章小結(jié)
10.6習(xí)題
第11章FPgrowth算法
11.1FPgrowth算法簡介
11.2構(gòu)建FP樹
11.2.1創(chuàng)建FP樹的數(shù)據(jù)結(jié)構(gòu)
11.2.2通過Python構(gòu)建FP樹
11.3通過FPgrowth算法提取頻繁項集
11.3.1提取條件模式基
11.3.2創(chuàng)建條件FP樹
11.4實戰(zhàn)： 從超市購物清單中發(fā)掘信息
11.5本章小結(jié)
11.6習(xí)題
第12章主成分分析
12.1數(shù)據(jù)降維
12.2實戰(zhàn)： 通過Python實現(xiàn)簡單的主成分分析
12.3對Iris數(shù)據(jù)集降維
12.4本章小結(jié)
12.5習(xí)題
第13章奇異值分解
13.1特征值分解
13.2奇異值分解簡介
13.3實戰(zhàn)： 通過Python實現(xiàn)圖片壓縮
13.4基于協(xié)同過濾的推薦算法
13.4.1推薦算法概述
13.4.2協(xié)同推薦系統(tǒng)概述
13.4.3實戰(zhàn)： 通過Python實現(xiàn)基于用戶的協(xié)同推薦系統(tǒng)
13.4.4實戰(zhàn)： 通過Python實現(xiàn)基于物品的協(xié)同推薦系統(tǒng)
13.4.5構(gòu)建推薦引擎面臨的挑戰(zhàn)
13.5本章小結(jié)
13.6習(xí)題