《机器学习算法的数学解析与Python实现》求取 ⇩

第1章机器学习概述1

1.1什么是机器学习1

1.2机器学习的几个需求层次3

1.3机器学习的基本原理5

1.4机器学习的基本概念7

1.4.1书中用到的术语介绍7

1.4.2机器学习的基本模式11

1.4.3优化方法12

1.5机器学习问题分类14

1.6常用的机器学习算法15

1.7机器学习算法的性能衡量指标16

1.8数据对算法结果的影响18

第2章机器学习所需的环境20

2.1常用环境20

2.2Python简介21

2.2.1 Python的安装23

2.2.2 Python的基本用法24

2.3Numpy简介25

2.3.1 Numpy的安装26

2.3.2 Numpy的基本用法26

2.4 Scikit-Learn简介27

2.4.1Scikit-Learn的安装28

2.4.2 Scikit-Learn的基本用法28

2.5 Pandas简介29

2.5.1Pandas的安装30

2.5.2 Pandas的基本用法31

第3章线性回归算法33

3.1线性回归：“钢铁直男”解决回归问题的正确方法33

3.1.1用于预测未来的回归问题35

3.1.2怎样预测未来38

3.1.3线性方程的“直男”本性40

3.1.4最简单的回归问题——线性回归问题44

3.2线性回归的算法原理46

3.2.1线性回归算法的基本思路46

3.2.2线性回归算法的数学解析48

3.2.3线性回归算法的具体步骤53

3.3在Python中使用线性回归算法54

3.4线性回归算法的使用场景60

第4章Logistic回归分类算法61

4.1Logistic回归：换上“S型曲线马甲”的线性回归61

4.1.1分类问题：选择困难症患者的自我救赎63

4.1.2 Logistic函数介绍66

4.1.3此回归非彼回归：“LR”辨析70

4.2Logistic回归的算法原理71

4.2.1 Logistic回归算法的基本思路71

4.2.2 Logistic回归算法的数学解析74

4.2.3 Logistic回归算法的具体步骤78

4.3在Python中使用Logistic回归算法78

4.4 Logistic回归算法的使用场景81

第5章KNN分类算法82

5.1KNN分类算法：用多数表决进行分类82

5.1.1用“同类相吸”的办法解决分类问题84

5.1.2 KNN分类算法的基本方法：多数表决86

5.1.3表决权问题89

5.1.4 KNN的具体含义89

5.2KNN分类的算法原理90

5.2.1 KNN分类算法的基本思路90

5.2.2 KNN分类算法的数学解析93

5.2.3 KNN分类算法的具体步骤94

5.3在Python中使用KNN分类算法95

5.4 KNN分类算法的使用场景96

第6章朴素贝叶斯分类算法98

6.1朴素贝叶斯：用骰子选择98

6.1.1从统计角度看分类问题99

6.1.2贝叶斯公式的基本思想102

6.1.3用贝叶斯公式进行选择104

6.2朴素贝叶斯分类的算法原理106

6.2.1朴素贝叶斯分类算法的基本思路106

6.2.2朴素贝叶斯分类算法的数学解析108

6.2.3朴素贝叶斯分类算法的具体步骤111

6.3在Python中使用朴素贝叶斯分类算法111

6.4朴素贝叶斯分类算法的使用场景112

第7章决策树分类算法114

7.1决策树分类：用“老朋友”if-else进行选择114

7.1.1程序员的选择观：if-else116

7.1.2如何种植一棵有灵魂的“树”118

7.1.3决策条件的选择艺术119

7.1.4决策树的剪枝问题122

7.2决策树分类的算法原理125

7.2.1决策树分类算法的基本思路125

7.2.2决策树分类算法的数学解析127

7.2.3决策树分类算法的具体步骤133

7.3在Python中使用决策树分类算法134

7.4决策树分类算法的使用场景135

第8章支持向量机分类算法137

8.1支持向量机：线性分类器的“王者”137

8.1.1距离是不同类别的天然间隔139

8.1.2何为“支持向量”140

8.1.3从更高维度看“线性不可分”142

8.2支持向量机分类的算法原理146

8.2.1支持向量机分类算法的基本思路146

8.2.2支持向量机分类算法的数学解析150

8.2.3支持向量机分类算法的具体步骤153

8.3在Python中使用支持向量机分类算法154

8.4支持向量机分类算法的使用场景156

第9章K-means聚类算法157

9.1用投票表决实现“物以类聚”157

9.1.1聚类问题就是“物以类聚”的实施问题159

9.1.2用“K”来决定归属类别162

9.1.3度量“相似”的距离164

9.1.4聚类问题中的多数表决165

9.2K-means聚类的算法原理168

9.2.1 K-means聚类算法的基本思路168

9.2.2 K-means聚类算法的数学解析169

9.2.3 K-means聚类算法的具体步骤170

9.3在Python中使用K-means聚类算法171

9.4 K-means聚类算法的使用场景172

第10章神经网络分类算法174

10.1用神经网络解决分类问题174

10.1.1神经元的“内心世界”177

10.1.2从神经元看分类问题180

10.1.3神经网络的“细胞”：人工神经元181

10.1.4构成网络的魔力184

10.1.5神经网络与深度学习188

10.2神经网络分类的算法原理188

10.2.1神经网络分类算法的基本思路188

10.2.2神经网络分类算法的数学解析190

10.2.3神经网络分类算法的具体步骤193

10.3在Python中使用神经网络分类算法194

10.4神经网络分类算法的使用场景195

第11章集成学习方法197

11.1集成学习方法：三个臭皮匠赛过诸葛亮197

11.1.1集成学习方法与经典机器学习算法的关系198

11.1.2集成学习的主要思想199

11.1.3几种集成结构200

11.2集成学习方法的具体实现方式202

11.2.1Bagging算法202

11.2.2 Boosting算法202

11.2.3 Stacking算法202

11.3在Python中使用集成学习方法203

11.4集成学习方法的使用场景205