機器學習入門：基于數(shù)學原理的Python實戰(zhàn)

第1章　機器學習及其數(shù)學基礎
1.1 機器學習與人工智能簡述 2
1.2 高等數(shù)學 4
1.3 線性代數(shù) 7
1.4 概率論與數(shù)理統(tǒng)計 14
1.5 Jensen不等式 25
1.6 本章小結(jié) 27
第2章　線性回歸
2.1 線性回歸模型 29
2.2 梯度下降算法 30
2.3 再看線性回歸 32
2.4 正則方程 34
2.5 概率解釋 35
2.6 線性回歸的Python實現(xiàn) 36
2.7 案例：利用線性回歸預測波士頓房價 43
2.8 本章小結(jié) 54
第3章　局部加權線性回歸
3.1 欠擬合與過擬合 56
3.2 局部加權線性回歸模型 57
3.3 局部加權線性回歸的Python實現(xiàn) 61
3.4 案例：再看預測波士頓房價 64
3.5 案例：利用局部加權線性回歸預測鮑魚年齡 71
3.6 本章小結(jié) 77
第4章?Logistic回歸與Softmax回歸
4.1 監(jiān)督學習 80
4.2 Logistic回歸 80
4.3 廣義線性模型 84
4.4 Softmax回歸 86
4.5 Logistic回歸的Python實現(xiàn) 90
4.6 案例：利用Logistic回歸對乳腺癌數(shù)據(jù)集進行分類 96
4.7 Softmax回歸的Python實現(xiàn) 107
4.8 案例：利用Softmax回歸對語音信號數(shù)據(jù)集進行分類 116
4.9 本章小結(jié) 127
第5章　模型評估與優(yōu)化
5.1 模型性能度量 130
5.2 偏差-方差平衡 134
5.3 正則化 135
5.4 交叉驗證 144
5.5 Ridge回歸的Python實現(xiàn) 145
5.6 案例：再看預測鮑魚年齡 153
5.7 帶L2正則化的Softmax回歸的Python實現(xiàn) 156
5.8 案例：再看語音信號數(shù)據(jù)集分類 161
5.9 本章小結(jié) 165
第6章　BP神經(jīng)網(wǎng)絡
6.1 神經(jīng)網(wǎng)絡模型 168
6.2 BP算法與梯度下降算法 171
6.3 BP神經(jīng)網(wǎng)絡的相關改進 175
6.4 BP神經(jīng)網(wǎng)絡的Python實現(xiàn) 185
6.5 案例：利用BP神經(jīng)網(wǎng)絡對語音信號數(shù)據(jù)集進行分類 197
6.6 本章小結(jié) 215
第7章　K-Means聚類算法
7.1 無監(jiān)督學習與聚類 218
7.2 K-Means聚類算法 219
7.3 K-Means聚類的Python實現(xiàn) 222
7.4 案例：利用K-Means算法對Iris數(shù)據(jù)集進行聚類 225
7.5 本章小結(jié) 229
第8章　高斯混合模型
8.1 EM算法 231
8.2 高斯混合模型 233
8.3 GMM與K-Means的區(qū)別與聯(lián)系 238
8.4 聚類性能評價指標 240
8.5 GMM的Python實現(xiàn) 242
8.6 案例：利用GMM對葡萄酒數(shù)據(jù)集進行聚類 248
8.7 本章小結(jié) 255
第9章　主成分分析
9.1 降維技術 258
9.2 主成分分析 258
9.3 核函數(shù) 263
9.4 核主成分分析 265
9.5 PCA的Python實現(xiàn) 268
9.6 案例：利用PCA對葡萄酒質(zhì)量數(shù)據(jù)集進行降維 271
9.7 本章小結(jié) 280