更新时间：2023-07-17 19:57:51
封面
版权信息
内容简介
前言
第1章 机器学习基础
1.1 机器学习概述
1.1.1 什么是机器学习
1.1.2 机器学习发展史
1.1.3 机器学习、人工智能、深度学习的关系
1.2 机器学习相关概念
1.3 机器学习的任务
1.3.1 监督学习
1.3.2 无监督学习
1.3.3 半监督学习
1.4 机器学习的一般步骤
1.5 机器学习Python基础
1.5.1 Python开发环境
1.5.2 Python基本语法
1.5.3 Python列表、元组、字典、集合
1.6 本章小结
1.7 习题
第2章 k近邻算法
2.1 k近邻算法原理
2.1.1 非参数估计与参数估计
2.1.2 非参数估计的一般推导
2.2 基于k近邻算法的实现
2.2.1 利用直方图估计概率密度、分类
2.2.2 利用Parzen矩形窗估计概率密度、分类
2.2.3 利用Parzen正态核估计概率密度、分类
2.3 k近邻算法应用——鸢尾花的分类
2.4 本章小结
2.5 习题
第3章 贝叶斯分类器
3.1 贝叶斯定理相关概念
3.1.1 先验概率、条件概率、后验概率与类条件概率
3.1.2 贝叶斯决策理论
3.1.3 极大似然估计
3.2 朴素贝叶斯分类器
3.2.1 手工设计贝叶斯分类器
3.2.2 贝叶斯分类器的实现
3.2.3 平滑方法
3.3 朴素贝叶斯分类算法实现——三文鱼和鲈鱼的分类
3.3.1 算法实现
3.3.2 调用系统函数实现
3.4 正态贝叶斯分类器
3.5 本章小结
3.6 习题
第4章 聚类
4.1 聚类算法简介
4.1.1 聚类算法分类
4.1.2 距离度量方法
4.2 K-means聚类
4.3 基于密度的聚类——DBSCAN聚类
4.3.1 DBSCAN算法原理及相关概念
4.3.2 DBSCAN聚类算法
4.4 基于层次的聚类——AGNES聚类
4.4.1 AGNES聚类算法思想
4.4.2 AGNES算法实现
4.5 聚类应用举例
4.6 各种聚类算法的比较
4.7 本章小结
4.8 习题
第5章 EM算法
5.1 EM算法原理及推导过程
5.1.1 EM算法思想
5.1.2 EM算法推导过程
5.2 高斯混合聚类
5.2.1 概率密度函数
5.2.2 高斯混合聚类算法推导过程
5.2.3 高斯混合聚类算法思想
5.2.4 高斯混合聚类应用举例
5.3 服从0-1二项分布的EM算法
5.3.1 服从0-1二项分布的EM算法思想
5.3.2 服从0-1二项分布的EM算法过程模拟
5.3.3 服从0-1二项分布的EM算法实现
5.4 本章小结
5.5 习题
第6章 支持向量机
6.1 SVM简介
6.1.1 线性可分与感知机
6.1.2 间隔最大化及线性SVM
6.2 线性SVM算法实现
6.3 非线性SVM与核函数
6.3.1 线性不可分
6.3.2 对偶问题与核函数
6.3.3 非线性SVM算法实现
6.4 SVM回归
6.5 SVM算法实现——鸢尾花的分类
6.5.1 sklearn中的SVC参数介绍
6.5.2 使用SVC对鸢尾花数据进行分类
6.6 本章小结
6.7 习题
第7章 决策树
7.1 决策树构造基本原理
7.2 决策树构造过程
7.3 决策树学习算法思想及实现
7.4 决策树算法实现—泰坦尼克号幸存者预测
7.5 本章小结
7.6 习题
第8章 线性回归
