机器学习算法的数学解析与Python实现

封面

版权信息

前言

第1章 机器学习概述

1.1 什么是机器学习

1.2 机器学习的几个需求层次

1.3 机器学习的基本原理

1.4 机器学习的基本概念

1.5 机器学习问题分类

1.6 常用的机器学习算法

1.7 机器学习算法的性能衡量指标

1.8 数据对算法结果的影响

第2章 机器学习所需的环境

2.1 常用环境

2.2 Python简介

2.3 Numpy简介

2.4 Scikit-Learn简介

2.5 Pandas简介

第3章 线性回归算法

3.1 线性回归：“钢铁直男”解决回归问题的正确方法

3.2 线性回归的算法原理

3.3 在Python中使用线性回归算法

3.4 线性回归算法的使用场景

第4章 Logistic回归分类算法

4.1 Logistic回归：换上“S型曲线马甲”的线性回归

4.2 Logistic回归的算法原理

4.3 在Python中使用Logistic回归算法

4.4 Logistic回归算法的使用场景

第5章 KNN分类算法

5.1 KNN分类算法：用多数表决进行分类

5.2 KNN分类的算法原理

5.3 在Python中使用KNN分类算法

5.4 KNN分类算法的使用场景

第6章 朴素贝叶斯分类算法

6.1 朴素贝叶斯：用骰子选择

6.2 朴素贝叶斯分类的算法原理

6.3 在Python中使用朴素贝叶斯分类算法

6.4 朴素贝叶斯分类算法的使用场景

第7章 决策树分类算法

7.1 决策树分类：用“老朋友”if-else进行选择

7.2 决策树分类的算法原理

7.3 在Python中使用决策树分类算法

7.4 决策树分类算法的使用场景

第8章 支持向量机分类算法

8.1 支持向量机：线性分类器的“王者”

8.2 支持向量机分类的算法原理

8.3 在Python中使用支持向量机分类算法

8.4 支持向量机分类算法的使用场景

第9章 K-means聚类算法

9.1 用投票表决实现“物以类聚”

9.2 K-means聚类的算法原理

9.3 在Python中使用K-means聚类算法

9.4 K-means聚类算法的使用场景

第10章 神经网络分类算法

10.1 用神经网络解决分类问题

10.2 神经网络分类的算法原理

10.3 在Python中使用神经网络分类算法

10.4 神经网络分类算法的使用场景

第11章 集成学习方法

11.1 集成学习方法：三个臭皮匠赛过诸葛亮

11.2 集成学习方法的具体实现方式

11.3 在Python中使用集成学习方法