Python機器學(xué)習(xí)

前言
第1章　機器學(xué)習(xí)基礎(chǔ) 1
1.1　引論 1
1.2　何謂機器學(xué)習(xí) 2
1.2.1　概述 2
1.2.2　引例 2
1.3　機器學(xué)習(xí)中的常用算法 4
1.3.1　按照學(xué)習(xí)方式劃分 4
1.3.2　按照算法相似性劃分 7
1.4　本章小結(jié) 14
1.5　本章習(xí)題 14
第2章　Python與數(shù)據(jù)科學(xué) 15
2.1　Python概述 15
2.2　Python與數(shù)據(jù)科學(xué)的關(guān)系 16
2.3　Python中常用的第三方庫 16
2.3.1　NumPy 16
2.3.2　SciPy 17
2.3.3　Pandas 17
2.3.4　Matplotlib 18
2.3.5　Scikit-learn 18
2.4　編譯環(huán)境 18
2.4.1　Anaconda 19
2.4.2　Jupyter Notebook 21
2.5　本章小結(jié) 23
2.6　本章習(xí)題 24
第3章　線性回歸算法 25
3.1　算法概述 25
3.2　算法流程 25
3.3　算法步驟 26
3.4　算法實例 30
3.5　算法應(yīng)用 32
3.6　算法的改進與優(yōu)化 34
3.7　本章小結(jié) 34
3.8　本章習(xí)題 34
第4章　邏輯回歸算法 37
4.1　算法概述 37
4.2　算法流程 38
4.3　算法步驟 38
4.4　算法實例 40
4.5　算法應(yīng)用 45
4.6　算法的改進與優(yōu)化 49
4.7　本章小結(jié) 49
4.8　本章習(xí)題 49
第5章　K最近鄰算法 51
5.1　算法概述 51
5.2　算法流程 52
5.3　算法步驟 52
5.4　算法實例 53
5.5　算法應(yīng)用 54
5.6　算法的改進與優(yōu)化 57
5.7　本章小結(jié) 58
5.8　本章習(xí)題 58
第6章　PCA降維算法 59
6.1　算法概述 59
6.2　算法流程 60
6.3　算法步驟 60
6.3.1　內(nèi)積與投影 60
6.3.2　方差 62
6.3.3　協(xié)方差 62
6.3.4　協(xié)方差矩陣 63
6.3.5　協(xié)方差矩陣對角化 63
6.4　算法實例 65
6.5　算法應(yīng)用 67
6.6　算法的改進與優(yōu)化 68
6.7　本章小結(jié) 68
6.8　本章習(xí)題 69
第7章　k-means算法 70
7.1　算法概述 70
7.2　算法流程 70
7.3　算法步驟 71
7.3.1　距離度量 71
7.3.2　算法核心思想 72
7.3.3　初始聚類中心的選擇 73
7.3.4　簇類個數(shù)k的調(diào)整 73
7.3.5　算法特點 74
7.4　算法實例 75
7.5　算法應(yīng)用 77
7.6　算法的改進與優(yōu)化 81
7.7　本章小結(jié) 81
7.8　本章習(xí)題 82
第8章　支持向量機算法 84
8.1　算法概述 84
8.2　算法流程 85
8.2.1　線性可分支持向量機 85
8.2.2　非線性支持向量機 85
8.3　算法步驟 85
8.3.1　線性分類 85
8.3.2　函數(shù)間隔與幾何間隔 87
8.3.3　對偶方法求解 88
8.3.4　非線性支持向量機與核函數(shù) 90
8.4　算法實例 93
8.5　算法應(yīng)用 95
8.6　算法的改進與優(yōu)化 100
8.7　本章小結(jié) 101
8.8　本章習(xí)題 101
第9章　AdaBoost算法 102
9.1　算法概述 102
9.2　算法流程 102
9.3　算法步驟 103
9.4　算法實例 105
9.5　算法應(yīng)用 106
9.6　算法的改進與優(yōu)化 109
9.7　本章小結(jié) 110
9.8　本章習(xí)題 110
第10章　決策樹算法 112
10.1　算法概述 112
10.2　算法流程 113
10.3　算法步驟 113
10.3.1　兩個重要概念 113
10.3.2　實現(xiàn)步驟 115
10.4　算法實例 115
10.5　算法應(yīng)用 118
10.6　算法的改進與優(yōu)化 119
10.7　本章小結(jié) 120
10.8　本章習(xí)題 120
第11章　高斯混合模型算法 121
11.1　算法概述 121
11.2　算法流程 121
11.3　算法步驟 122
11.3.1　構(gòu)建高斯混合模型 122
11.3.2　EM算法估計模型參數(shù) 123
11.4　算法實例 125
11.5　算法應(yīng)用 127
11.6　算法的改進與優(yōu)化 129
11.7　本章小結(jié) 130
11.8　本章習(xí)題 130
第12章　隨機森林算法 132
12.1　算法概述 132
12.2　算法流程 133
12.3　算法步驟 134
12.3.1　構(gòu)建數(shù)據(jù)集 134
12.3.2　基于數(shù)據(jù)集構(gòu)建分類器 134
12.3.3　投票組合得到最終結(jié)果并分析 135
12.4　算法實例 136
12.5　算法應(yīng)用 140
12.6　算法的改進與優(yōu)化 142
12.7　本章小結(jié) 143
12.8　本章習(xí)題 143
第13章　樸素貝葉斯算法 145
13.1　算法概述 145
13.2　算法流程 145
13.3　算法步驟 146
13.4　算法實例 148
13.5　算法應(yīng)用 149
13.6　算法的改進與優(yōu)化 151
13.7　本章小結(jié) 152
13.8　本章習(xí)題 152
第14章　隱馬爾可夫模型算法 154
14.1　算法概述 154
14.2　算法流程 154
14.3　算法步驟 155
14.4　算法實例 156
14.5　算法應(yīng)用 159
14.6　算法的改進與優(yōu)化 165
14.7　本章小結(jié) 166
14.8　本章習(xí)題 166
第15章　BP神經(jīng)網(wǎng)絡(luò)算法 167
15.1　算法概述 167
15.2　算法流程 167
15.3　算法步驟 168
15.4　算法實例 170
15.5　算法應(yīng)用 174
15.6　算法的改進與優(yōu)化 176
15.7　本章小結(jié) 177
15.8　本章習(xí)題 177
第16章　卷積神經(jīng)網(wǎng)絡(luò)算法 179
16.1　算法概述 179
16.2　算法流程 179
16.3　算法步驟 180
16.3.1　向前傳播階段 181
16.3.2　向后傳播階段 183
16.4　算法實例 184
16.5　算法應(yīng)用 188
16.6　算法的改進與優(yōu)化 193
16.7　本章小結(jié) 194
16.8　本章習(xí)題 194
第17章　遞歸神經(jīng)網(wǎng)絡(luò)算法 196
17.1　算法概述 196
17.2　算法流程 197
17.3　算法步驟 198
17.4　算法實例 200
17.5　算法應(yīng)用 204
17.6　算法的改進與優(yōu)化 207
17.7　本章小結(jié) 208
17.8　本章習(xí)題 208
課后習(xí)題答案 210
參考文獻 231