前言
第1章機(jī)器學(xué)習(xí)概述
1.1機(jī)器學(xué)習(xí)的組成
1.2分類問(wèn)題和回歸問(wèn)題
1.3監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和
無(wú)監(jiān)督學(xué)習(xí)
1.4生成模型和判別模型
1.5模型評(píng)估
1.5.1訓(xùn)練誤差和泛化誤差
1.5.2過(guò)擬合和欠擬合
1.6正則化
1.7Scikit-learn模塊
1.7.1數(shù)據(jù)集
1.7.2模型選擇
1.8習(xí)題
第2章線性回歸及最大熵模型
2.1線性回歸
2.1.1一元線性回歸
2.1.2多元線性回歸
2.2廣義線性回歸
2.2.1邏輯回歸
2.2.2多分類邏輯回歸
2.2.3交叉熵?fù)p失函數(shù)
2.3最大熵模型
2.3.1最大熵模型的導(dǎo)出
2.3.2最大熵模型與邏輯回歸之間的
關(guān)系
2.4評(píng)價(jià)指標(biāo)
2.4.1混淆矩陣
2.4.2準(zhǔn)確率
2.4.3精確率與召回率
2.4.4PR曲線
2.4.5ROC曲線與AUC曲線
2.5實(shí)例：基于邏輯回歸實(shí)現(xiàn)乳腺癌
預(yù)測(cè)
2.6習(xí)題
第3章k-近鄰算法
3.1k值的選取
3.2距離的度量
3.3快速檢索
3.4實(shí)例：基于k-近鄰實(shí)現(xiàn)鳶尾花
分類
3.5習(xí)題
第4章決策樹(shù)模型
4.1特征選擇
4.1.1信息增益
4.1.2信息增益比
4.2決策樹(shù)生成算法CART
4.3決策樹(shù)剪枝
4.3.1預(yù)剪枝
4.3.2后剪枝
4.4實(shí)例：基于決策樹(shù)實(shí)現(xiàn)葡萄酒
分類
4.5習(xí)題
第5章樸素貝葉斯分類器
5.1極大似然估計(jì)
5.2樸素貝葉斯分類
5.3拉普拉斯平滑
5.4樸素貝葉斯分類器的極大似然
估計(jì)解釋
5.5實(shí)例：基于樸素貝葉斯實(shí)現(xiàn)垃圾
短信分類
5.6習(xí)題
第6章支持向量機(jī)模型
6.1最大間隔及超平面
6.2線性可分支持向量機(jī)
6.3合頁(yè)損失函數(shù)
6.4核技巧
6.5二分類問(wèn)題與多分類問(wèn)題
6.5.1一對(duì)一
6.5.2一對(duì)多
6.5.3多對(duì)多
6.6實(shí)例：基于支持向量機(jī)實(shí)現(xiàn)
葡萄酒分類
6.7習(xí)題
第7章集成學(xué)習(xí)
7.1偏差與方差
7.2Bagging及隨機(jī)森林
7.2.1Bagging
7.2.2隨機(jī)森林
7.3Boosting及AdaBoost
7.3.1Boosting
7.3.3AdaBoost
7.4提升樹(shù)
7.4.1殘差提升樹(shù)
7.4.2GBDT
7.4.3XGBoost
7.5Stacking
7.6實(shí)例：基于梯度下降樹(shù)實(shí)現(xiàn)
波士頓房?jī)r(jià)預(yù)測(cè)
7.7習(xí)題
第8章EM算法及其應(yīng)用
8.1Jensen不等式
8.2EM算法
8.3高斯混合模型
8.4隱馬爾可夫模型
8.4.1計(jì)算觀測(cè)概率的輸出
8.4.2估計(jì)隱馬爾可夫模型的參數(shù)
8.4.3隱變量序列預(yù)測(cè)
8.5實(shí)例：基于高斯混合模型實(shí)現(xiàn)
鳶尾花分類
8.6習(xí)題
第9章降維算法
9.1主成分分析
9.1.1方差即協(xié)方差的無(wú)偏估計(jì)
9.1.2實(shí)例：基于主成分分析實(shí)現(xiàn)
鳶尾花數(shù)據(jù)降維
9.2奇異值分解
9.2.1奇異值分解的構(gòu)造
9.2.2奇異值分解用于數(shù)據(jù)壓縮
9.2.3SVD與PCA的關(guān)系
9.2.4奇異值分解的幾何解釋
9.2.5實(shí)例：基于奇異值分解實(shí)現(xiàn)圖片
壓縮
9.3習(xí)題
第10章聚類算法
10.1距離度量
10.1.1閔可夫斯基距離
10.1.2余弦相似度
10.1.3馬氏距離
10.1.4漢明距離
10.2層次聚類
10.3K-Means聚類
10.4K-Medoids聚類
10.5DBSCAN
10.6實(shí)例：基于K-Means實(shí)現(xiàn)
鳶尾花聚類
10.7習(xí)題
第11章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
11.1神經(jīng)元模型
11.2多層感知機(jī)
11.3損失函數(shù)
11.4反向傳播算法
11.4.1梯度下降法
11.4.2梯度消失及梯度爆炸
11.5卷積神經(jīng)網(wǎng)絡(luò)
11.5.1卷積
11.5.2池化
11.5.3網(wǎng)絡(luò)架構(gòu)
11.6循環(huán)神經(jīng)網(wǎng)絡(luò)
11.7生成對(duì)抗網(wǎng)絡(luò)
11.8圖卷積神經(jīng)網(wǎng)絡(luò)
11.9深度學(xué)習(xí)發(fā)展
11.10實(shí)例：基于卷積神經(jīng)網(wǎng)絡(luò)
實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別
11.10.1MINST數(shù)據(jù)集
11.10.2基于卷積神經(jīng)網(wǎng)絡(luò)的手寫(xiě)
數(shù)字識(shí)別
11.11習(xí)題
第12章案例1：基于回歸問(wèn)題、
XGBoost的房?jī)r(jià)預(yù)測(cè)
12.1XGBoost模型介紹
12.2技術(shù)方案
12.2.1數(shù)據(jù)分析
12.2.2XGBoost模型參數(shù)
12.2.3調(diào)參過(guò)程
12.3完整代碼及結(jié)果展示
第13章案例2：影評(píng)數(shù)據(jù)分析與
電影推薦
13.1明確目標(biāo)與數(shù)據(jù)準(zhǔn)備
13.2工具選擇
13.3初步分析
13.3.1用戶角度分析
13.3.2電影角度分析
13.4電影推薦
第14章案例3：汽車貸款違約的
數(shù)據(jù)分析
14.1數(shù)據(jù)分析常用的Python
工具庫(kù)
14.2數(shù)據(jù)樣本分析
14.2.1數(shù)據(jù)樣本概述
14.2.2變量類型分析
14.2.3Python代碼實(shí)踐
14.3數(shù)據(jù)分析的預(yù)處理
14.3.1目標(biāo)變量探索
14.3.2X變量初步探索
14.3.3連續(xù)變量的缺失值處理
14.3.4分類變量的缺失值處理
14.4數(shù)據(jù)分析的模型建立與模型
評(píng)估
14.4.1數(shù)據(jù)的預(yù)處理與訓(xùn)練集劃分
14.4.2采用回歸模型進(jìn)行數(shù)據(jù)分析
14.4.3采用決策樹(shù)模型進(jìn)行數(shù)據(jù)
分析
14.4.4采用隨機(jī)森林模型優(yōu)化
決策樹(shù)模型
第15章案例4：基于KNN模型預(yù)測(cè)
葡萄酒種類的數(shù)據(jù)分析與
可視化
15.1KNN模型的初級(jí)構(gòu)建
15.2使用專業(yè)工具包構(gòu)建KNN
模型
15.3數(shù)據(jù)可視化
第16章案例5：使用Keras進(jìn)行人
臉關(guān)鍵點(diǎn)檢測(cè)
16.1深度學(xué)習(xí)模型
16.1.1數(shù)據(jù)集獲取
16.1.2卷積神經(jīng)網(wǎng)絡(luò)的搭建與訓(xùn)練
16.2模型評(píng)價(jià)
16.3訓(xùn)練歷史可視化
第17章案例6：股價(jià)預(yù)測(cè)
17.1使用tsfresh進(jìn)行升維和特征
工程
17.2程序設(shè)計(jì)思路
17.3程序設(shè)計(jì)步驟
17.3.1讀入數(shù)據(jù)，分析數(shù)據(jù)
17.3.2移窗
17.3.3升維
17.3.4方差過(guò)濾
17.3.5使用Adaboost模型進(jìn)行回歸
預(yù)測(cè)
17.3.6預(yù)測(cè)結(jié)果分析
第18章案例7：用戶流失預(yù)警
18.1讀入數(shù)據(jù)
18.2數(shù)據(jù)預(yù)處理
18.3五折交叉驗(yàn)證
18.4代入三種模型
18.5調(diào)整prob閾值，輸出精度
評(píng)估
第19章案例8：機(jī)器人最優(yōu)路徑
走迷宮
19.1關(guān)鍵技術(shù)
19.1.1馬爾科夫決策過(guò)程
19.1.2Bellman方程
19.2程序設(shè)計(jì)步驟
19.2.1初始化迷宮地圖
19.2.2計(jì)算不同位置最優(yōu)路徑
參考文獻(xiàn)