Python機(jī)器學(xué)習(xí)核心算法編程實(shí)例

目 錄章  機(jī)器學(xué)習(xí)緒論11．1  機(jī)器學(xué)習(xí)的定義11．1．1  緒論11．1．2  機(jī)器學(xué)習(xí)發(fā)展歷程21．1．3  機(jī)器學(xué)習(xí)算法的分類(lèi)31．2  學(xué)習(xí)算法41．2．1  監(jiān)督學(xué)習(xí)41．2．2  無(wú)監(jiān)督學(xué)習(xí)51．3  機(jī)器學(xué)習(xí)應(yīng)用程序的步驟61．4  Python語(yǔ)言71．4．1  Python的風(fēng)格71．4．2  Python的優(yōu)勢(shì)71．4．3  Python語(yǔ)言的缺點(diǎn)81．5  Python的環(huán)境搭建91．5．1  安裝101．5．2  使用pip安裝第三方庫(kù)131．6  NumPy函數(shù)庫(kù)基礎(chǔ)141．7  Python的基礎(chǔ)知識(shí)161．7．1  數(shù)和表達(dá)式161．7．2  Python的標(biāo)識(shí)符181．7．3  Python的保留字符191．7．4  行和縮進(jìn)191．7．5  多行語(yǔ)句201．7．6  Python引號(hào)201．7．7  Python空行201．7．8  同一行顯示多條語(yǔ)句201．7．9  Print輸出21第2章  線性模型222．1  一般線性回歸232．1．1  線性回歸公式表示法232．1．2  線性回歸的Python實(shí)現(xiàn)252．2  局部加權(quán)線性回歸272．3  廣義線性模型302．4  邏輯回歸分析362．5  牛頓法402．5．1  基本牛頓法的原理402．5．2  基本牛頓法的流程402．5．3  全局牛頓法402．5．4  Armijo搜索422．5．5  全局牛頓法求解線性回歸模型422．6  縮減法432．6．1  嶺回歸442．6．2  lasso回歸462．7  利用線性回歸進(jìn)行預(yù)測(cè)472．7．1  訓(xùn)練線性回歸模型472．7．2  對(duì)新數(shù)據(jù)的預(yù)測(cè)49第3章  樹(shù)回歸513．1  構(gòu)建決策樹(shù)的準(zhǔn)備工作523．1．1  特征選擇523．1．2  決策樹(shù)的生成和修剪603．2  Matplotlib注釋繪制樹(shù)形圖603．3  使用決策樹(shù)執(zhí)行分類(lèi)673．4  決策樹(shù)的存儲(chǔ)713．5  Sklearn使用決策樹(shù)預(yù)測(cè)隱形眼鏡類(lèi)型733．5．1  實(shí)戰(zhàn)背景733．5．2  使用Sklearn構(gòu)建決策樹(shù)733．6  復(fù)雜數(shù)據(jù)的局部性建模803．7  連續(xù)型和離散型特征的樹(shù)構(gòu)建813．8  分類(lèi)回歸樹(shù)823．8．1  構(gòu)建樹(shù)833．8．2  剪枝853．8．3  模型樹(shù)873．8．4  分類(lèi)回歸的Python實(shí)現(xiàn)88第4章 K-means聚類(lèi)算法924．1  K-means聚類(lèi)算法的概述924．2  相似性的度量934．2．1  閔可夫斯基距離934．2．2  曼哈頓距離934．2．3  歐氏距離934．3  K-means聚類(lèi)算法的原理944．3．1  K-means聚類(lèi)算法的步驟944．3．2  K-means算法與矩陣分解954．3．3  K-means聚類(lèi)算法的實(shí)現(xiàn)964．4  K-近鄰算法1044．5  各種聚類(lèi)算法1074．5．1  劃分聚類(lèi)法1074．5．2  層次聚類(lèi)法1084．5．3  密度聚類(lèi)法1114．5．4  譜聚類(lèi)法1164．5．5  Birch聚類(lèi)1194．5．6  混合高斯模型1214．6  K-means++算法1224．6．1  K-means算法存在的問(wèn)題1224．6．2  K-means++算法的思路123第5章  樸素貝葉斯1275．1  樸素貝葉斯理論1275．1．1  貝葉斯決策理論1275．1．2  條件概率1285．1．3  全概率公式1285．1．4  貝葉斯推斷1295．1．5  樸素貝葉斯推斷1305．2  樸素貝葉斯算法1315．3  樸素貝葉斯算法的優(yōu)缺點(diǎn)140第6章  數(shù)據(jù)降維1416．1  維度災(zāi)難與降維1416．2  高維數(shù)據(jù)降維的方法1416．2．1  線性降維1426．2．2  非線性降維1466．2．3  SVD降維1536．2．4  流形學(xué)習(xí)降維1596．2．5  多維縮放降維166第7章  支持向量機(jī)1707．1  支持向量機(jī)概述1707．2  分類(lèi)間隔1717．2．1  函數(shù)間距1727．2．2  幾何間距1737．3  拉格朗日乘子1757．3．1  拉格朗日對(duì)偶性1757．3．2  優(yōu)化間隔分類(lèi)器1767．4  核函數(shù)1787．4．1  核函數(shù)的選擇1807．4．2  松弛向量與軟間隔優(yōu)選化1807．5  SOM算法1817．5．1  坐標(biāo)上升算法1827．5．2  SOM1827．6  SVM的優(yōu)缺點(diǎn)1857．7  SVM的Python實(shí)現(xiàn)185第8章  隨機(jī)森林1928．1  什么是隨機(jī)森林1928．2  集成學(xué)習(xí)1928．2．1  集成學(xué)習(xí)的思想1938．2．2  集成學(xué)習(xí)中的典型方法1938．3  Stacking1948．3．1  Stacking的基本思想1948．3．2  Stacking的實(shí)現(xiàn)1958．4  隨機(jī)森林算法1988．4．1  隨機(jī)森林的特點(diǎn)1988．4．2  隨機(jī)森林算法流程1998．5  隨機(jī)森林算法實(shí)踐2018．6  美國(guó)人口普查年收入50k分類(lèi)2078．6．1  數(shù)據(jù)預(yù)處理2088．6．2  模型訓(xùn)練及驗(yàn)證212第9章  人工神經(jīng)網(wǎng)絡(luò)2179．1  感知機(jī)模型2179．1．1  感知機(jī)的定義2179．1．2  感知機(jī)的學(xué)習(xí)策略2189．1．3  感知機(jī)學(xué)習(xí)算法2189．1．4  感知機(jī)的Python實(shí)現(xiàn)2269．2  從感知機(jī)到神經(jīng)網(wǎng)絡(luò)2369．3  多層前饋神經(jīng)網(wǎng)絡(luò)2389．3．1  BP網(wǎng)絡(luò)算法2419．3．2  BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程2449．3．3  BP神經(jīng)網(wǎng)絡(luò)中參數(shù)的設(shè)置2499．4  神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)2530章  協(xié)同過(guò)濾算法27210．1  協(xié)同過(guò)濾的核心27210．2  協(xié)同過(guò)濾的分類(lèi)27210．3  相似性的度量方法27310．3．1  歐氏距離27310．3．2  皮爾遜相關(guān)系數(shù)27310．3．3  余弦相似度27410．3．4  用Python實(shí)現(xiàn)余弦相似度的計(jì)算27410．4  基于用戶的協(xié)同過(guò)濾算法27510．4．1  基于物品的協(xié)同過(guò)濾算法27510．4．2  基于矩陣分解的協(xié)同過(guò)濾算法27610．4．3  Python實(shí)現(xiàn)27610．5  基于項(xiàng)的協(xié)同過(guò)濾算法28010．6  利用協(xié)同過(guò)濾算法進(jìn)行推薦28110．6．1  導(dǎo)入用戶-商品數(shù)據(jù)28110．6．2  利用基于用戶的協(xié)同過(guò)濾算法進(jìn)行推薦28210．6．3  利用基于項(xiàng)的協(xié)同過(guò)濾算法進(jìn)行推薦2831章  基于矩陣分解的推薦算法28511．1  矩陣分解28511．2  利用矩陣分解進(jìn)行預(yù)測(cè)28611．2．1  損失函數(shù)28611．2．2  損失函數(shù)的求解28611．2．3  加入正則項(xiàng)的損失函數(shù)即求解方法28611．2．4  預(yù)測(cè)28811．2．5  程序?qū)崿F(xiàn)28911．3  非負(fù)矩陣分解29111．3．1 非負(fù)矩陣分解的形式定義29111．3．2  損失函數(shù)29111．3．3  優(yōu)化問(wèn)題的求解29211．3．4  利用乘法規(guī)則進(jìn)行分解和預(yù)測(cè)29411．4  基于矩陣分解的推薦方法29511．4．1  LFM法29511．4．2  SVD法29811．4．3  SVD++法3002章  集成學(xué)習(xí)30412．1  集成學(xué)習(xí)的原理及誤差30412．2  集成學(xué)習(xí)方法30512．2．1  Boosting算法30512．2．2  AdaBoost算法30512．2．3  AdaBoost與加法模型30912．2．4  提升樹(shù)31012．2．5  Bagging算法31312．2．6  誤差-分歧分解31412．2．7  多樣性增強(qiáng)31512．2．8  Stacking算法31612．3  Python實(shí)現(xiàn)3173章  數(shù)據(jù)預(yù)處理32213．1  數(shù)據(jù)預(yù)處理概述32213．1．1  為什么要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理32213．1．2  數(shù)據(jù)預(yù)處理的主要任務(wù)32313．2  去除唯一屬性32313．3  處理缺失值32413．3．1  直接使用32413．3．2  刪除特征32413．3．3  缺失值補(bǔ)全32413．3．4  數(shù)據(jù)清理32813．3．5  特征編碼33013．3．6  數(shù)據(jù)標(biāo)準(zhǔn)化33113．3．7  正則化33213．3．8  特征選擇33313．3．9  稀疏表示和字典學(xué)習(xí)33513．4  Python實(shí)現(xiàn)337參考文獻(xiàn)352