机器学习算法的数学解析与Python实现PDF电子书下载

查看更多关于的内容

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

2.2 Python简介 21

2.2.1 Python的安装 23

2.2.2 Python的基本用法 24

2.3 Numpy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

2.4.1 Scikit-Learn的安装 28

2.4.2 Scikit-Learn的基本用法 28

2.5 Pandas简介 29

2.5.1 Pandas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

4.1 Logistic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

4.2 Logistic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

5.1 KNN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

5.2 KNN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-else 116

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

9.2 K-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

11.2.1 Bagging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

查看更多关于的内容