更新时间：2020-05-06 16:44:45
封面
版权信息
数字版权声明
作者简介
译者简介
译者序
前言
关于本书
致谢
关于封面
第一部分 分类
第1章 2机器学习基础
1.1 何谓机器学习
1.2 关键术语
1.3 机器学习的主要任务
1.4 如何选择合适的算法
1.5 开发机器学习应用程序的步骤
1.6 Python语言的优势
1.7 NumPy函数库基础
1.8 本章小结
第2章 k-近邻算法
2.1 k-近邻算法概述
2.2 示例：使用k-近邻算法改进约会网站的配对效果
2.3 示例：手写识别系统
2.4 本章小结
第3章 决策树
3.1 决策树的构造
3.2 在Python中使用Matplotlib注解绘制树形图
3.3 测试和存储分类器
3.4 示例：使用决策树预测隐形眼镜类型
3.5 本章小结
第4章 基于概率论的分类方法：朴素贝叶斯
4.1 基于贝叶斯决策理论的分类方法
4.2 条件概率
4.3 使用条件概率来分类
4.4 使用朴素贝叶斯进行文档分类
4.5 使用Python进行文本分类
4.6 示例：使用朴素贝叶斯过滤垃圾邮件
4.7 示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向
4.8 本章小结
第5章 Logistic回归
5.1 基于Logistic回归和Sigmoid函数的分类
5.2 基于最优化方法的最佳回归系数确定
5.3 示例：从疝气病症预测病马的死亡率
5.4 本章小结
第6章 支持向量机
6.1 基于最大间隔分隔数据
6.2 寻找最大间隔
6.2.1 分类器求解的优化问题
6.3 SMO高效优化算法
6.4 利用完整Platt SMO算法加速优化
6.5 在复杂数据上应用核函数
6.6 示例：手写识别问题回顾
6.7 本章小结
第7章 利用AdaBoost元算法提高分类性能
7.1 基于数据集多重抽样的分类器
7.2 训练算法：基于错误提升分类器的性能
7.3 基于单层决策树构建弱分类器
7.4 完整AdaBoost算法的实现
7.5 测试算法：基于AdaBoost的分类
7.6 示例：在一个难数据集上应用AdaBoost
7.7 非均衡分类问题
7.8 本章小结
第二部分 利用回归预测数值型数据
第8章 预测数值型数据：回归
8.1 用线性回归找到最佳拟合直线
8.2 局部加权线性回归
8.3 示例：预测鲍鱼的年龄
8.4 缩减系数来“理解”数据
8.5 权衡偏差与方差
8.6 示例：预测乐高玩具套装的价格
8.7 本章小结
第9章 树回归
9.1 复杂数据的局部性建模
9.2 连续和离散型特征的树的构建
9.3 将CART算法用于回归
9.4 树剪枝
9.5 模型树
9.6 示例：树回归与标准回归的比较
9.7 使用Python的Tkinter库创建GUI
9.8 本章小结
第三部分 无监督学习
第10章 利用K-均值聚类算法对未标注数据分组
10.1 K-均值聚类算法
10.2 使用后处理来提高聚类性能
10.3 二分K-均值算法
10.4 示例：对地图上的点进行聚类
10.5 本章小结
第11章 使用Apriori算法进行关联分析
11.1 关联分析
11.2 Apriori原理
11.3 使用Apriori算法来发现频繁集
11.4 从频繁项集中挖掘关联规则
11.5 示例：发现国会投票中的模式
11.6 示例：发现毒蘑菇的相似特征
11.7 本章小结
第12章 使用FP-growth算法来高效发现频繁项集
12.1 FP树：用于编码数据集的有效方式
12.2 构建FP树
12.3 从一棵FP树中挖掘频繁项集
