前言
第1章　機器學習概述 1
1.1　什么是機器學習 1
1.2　機器學習的幾個需求層次 3
1.3　機器學習的基本原理 5
1.4　機器學習的基本概念 7
1.4.1　書中用到的術(shù)語介紹 7
1.4.2　機器學習的基本模式 11
1.4.3　優(yōu)化方法 12
1.5　機器學習問題分類 14
1.6　常用的機器學習算法 15
1.7　機器學習算法的性能衡量指標 16
1.8　數(shù)據(jù)對算法結(jié)果的影響 18
第2章　機器學習所需的環(huán)境 20
2.1　常用環(huán)境 20
2.2　Python簡介 21
2.2.1　Python的安裝 23
2.2.2　Python的基本用法 24
2.3　Numpy簡介 25
2.3.1　Numpy的安裝 26
2.3.2　Numpy的基本用法 26
2.4　Scikit-Learn簡介 27
2.4.1　Scikit-Learn的安裝 28
2.4.2　Scikit-Learn的基本用法 28
2.5　Pandas簡介 29
2.5.1　Pandas的安裝 30
2.5.2　Pandas的基本用法 31
第3章　線性回歸算法 33
3.1　線性回歸：“鋼鐵直男”解決回歸問題的正確方法 33
3.1.1　用于預測未來的回歸問題 35
3.1.2　怎樣預測未來 38
3.1.3　線性方程的“直男”本性 40
3.1.4　最簡單的回歸問題—線性回歸問題 44
3.2　線性回歸的算法原理 46
3.2.1　線性回歸算法的基本思路 46
3.2.2　線性回歸算法的數(shù)學解析 48
3.2.3　線性回歸算法的具體步驟 53
3.3　在Python中使用線性回歸算法 54
3.4　線性回歸算法的使用場景 60
第4章　Logistic回歸分類算法 61
4.1　Logistic回歸：換上“S型曲線馬甲”的線性回歸 61
4.1.1　分類問題：選擇困難癥患者的自我救贖 63
4.1.2　Logistic函數(shù)介紹 66
4.1.3　此回歸非彼回歸：“LR”辨析 70
4.2　Logistic回歸的算法原理 71
4.2.1　Logistic回歸算法的基本思路 71
4.2.2　Logistic回歸算法的數(shù)學解析 74
4.2.3　Logistic回歸算法的具體步驟 78
4.3　在Python中使用Logistic回歸算法 78
4.4　Logistic回歸算法的使用場景 81
第5章　KNN分類算法 82
5.1　KNN分類算法：用多數(shù)表決進行分類 82
5.1.1　用“同類相吸”的辦法解決分類問題 84
5.1.2　KNN分類算法的基本方法：多數(shù)表決 86
5.1.3　表決權(quán)問題 89
5.1.4　KNN的具體含義 89
5.2　KNN分類的算法原理 90
5.2.1　KNN分類算法的基本思路 90
5.2.2　KNN分類算法的數(shù)學解析 93
5.2.3　KNN分類算法的具體步驟 94
5.3　在Python中使用KNN分類算法 95
5.4　KNN分類算法的使用場景 96
第6章　樸素貝葉斯分類算法 98
6.1　樸素貝葉斯：用骰子選擇 98
6.1.1　從統(tǒng)計角度看分類問題 99
6.1.2　貝葉斯公式的基本思想 102
6.1.3　用貝葉斯公式進行選擇 104
6.2　樸素貝葉斯分類的算法原理 106
6.2.1　樸素貝葉斯分類算法的基本思路 106
6.2.2　樸素貝葉斯分類算法的數(shù)學解析 108
6.2.3　樸素貝葉斯分類算法的具體步驟 111
6.3　在Python中使用樸素貝葉斯分類算法 111
6.4　樸素貝葉斯分類算法的使用場景 112
第7章　決策樹分類算法 114
7.1　決策樹分類：用“老朋友”if-else進行選擇 114
7.1.1　程序員的選擇觀：if-else 116
7.1.2　如何種植一棵有靈魂的“樹” 118
7.1.3　決策條件的選擇藝術(shù) 119
7.1.4　決策樹的剪枝問題 122
7.2　決策樹分類的算法原理 125
7.2.1　決策樹分類算法的基本思路 125
7.2.2　決策樹分類算法的數(shù)學解析 127
7.2.3　決策樹分類算法的具體步驟 133
7.3　在Python中使用決策樹分類算法 134
7.4　決策樹分類算法的使用場景 135
第8章　支持向量機分類算法 137
8.1　支持向量機：線性分類器的“王者” 137
8.1.1　距離是不同類別的天然間隔 139
8.1.2　何為“支持向量” 140
8.1.3　從更高維度看“線性不可分” 142
8.2　支持向量機分類的算法原理 146
8.2.1　支持向量機分類算法的基本思路 146
8.2.2　支持向量機分類算法的數(shù)學解析 150
8.2.3　支持向量機分類算法的具體步驟 153
8.3　在Python中使用支持向量機分類算法 154
8.4　支持向量機分類算法的使用場景 156
第9章　K-means聚類算法 157
9.1　用投票表決實現(xiàn)“物以類聚” 157
9.1.1　聚類問題就是“物以類聚”的實施問題 159
9.1.2　用“K”來決定歸屬類別 162
9.1.3　度量“相似”的距離 164
9.1.4　聚類問題中的多數(shù)表決 165
9.2　K-means聚類的算法原理 168
9.2.1　K-means聚類算法的基本思路 168
9.2.2　K-means聚類算法的數(shù)學解析 169
9.2.3　K-means聚類算法的具體步驟 170
9.3　在Python中使用K-means聚類算法 171
9.4　K-means聚類算法的使用場景 172
第10章　神經(jīng)網(wǎng)絡(luò)分類算法 174
10.1　用神經(jīng)網(wǎng)絡(luò)解決分類問題 174
10.1.1　神經(jīng)元的“內(nèi)心世界” 177
10.1.2　從神經(jīng)元看分類問題 180
10.1.3　神經(jīng)網(wǎng)絡(luò)的“細胞”：人工神經(jīng)元 181
10.1.4　構(gòu)成網(wǎng)絡(luò)的魔力 184
10.1.5　神經(jīng)網(wǎng)絡(luò)與深度學習 188
10.2　神經(jīng)網(wǎng)絡(luò)分類的算法原理 188
10.2.1　神經(jīng)網(wǎng)絡(luò)分類算法的基本思路 188
10.2.2　神經(jīng)網(wǎng)絡(luò)分類算法的數(shù)學解析 190
10.2.3　神經(jīng)網(wǎng)絡(luò)分類算法的具體步驟 193
10.