圖解機器學(xué)習(xí)算法

第　1章
機器學(xué)習(xí)基礎(chǔ)　1
1．1　機器學(xué)習(xí)概要　2
什么是機器學(xué)習(xí)　2
機器學(xué)習(xí)的種類　3
機器學(xué)習(xí)的應(yīng)用　8
1．2　機器學(xué)習(xí)的步驟　9
數(shù)據(jù)的重要性　9
有監(jiān)督學(xué)習(xí)（分類）的例子　11
無監(jiān)督學(xué)習(xí)（聚類）的例子　16
可視化　18
圖形的種類和畫法：使用Matplotlib顯示圖形的方法　22
使用pandas理解和處理數(shù)據(jù)　30
本章小結(jié)　36
第　2章
有監(jiān)督學(xué)習(xí)　37
2．1　算法1：線性回歸　38
概述　38
算法說明　39
詳細(xì)說明　41
2．2　算法2：正則化　45
概述　45
算法說明　48
詳細(xì)說明　50
2．3　算法3：邏輯回歸　52
概述　52
算法說明　53
詳細(xì)說明　55
2．4　算法4：支持向量機　58
概述　58
算法說明　59
詳細(xì)說明　60
2．5　算法5：支持向量機（核方法）　63
概述　63
算法說明　64
詳細(xì)說明　65
2．6　算法6：樸素貝葉斯　68
概述　68
算法說明　70
詳細(xì)說明　74
2．7　算法7：隨機森林　76
概述　76
算法說明　77
詳細(xì)說明　80
2．8　算法8：神經(jīng)網(wǎng)絡(luò)　81
概述　81
算法說明　83
詳細(xì)說明　86
2．9　算法9：KNN　88
概述　88
算法說明　89
詳細(xì)說明　90
第3章
無監(jiān)督學(xué)習(xí)　93
3．1　算法10：PCA　94
概述　94
算法說明　95
詳細(xì)說明　98
3．2　算法11：LSA　99
概述　99
算法說明　100
詳細(xì)說明　104
3．3　算法12：NMF　105
概述　105
算法說明　106
詳細(xì)說明　108
3．4　算法13：LDA　111
概述　111
算法說明　112
詳細(xì)說明　114
3．5　算法14：k-means算法　117
概述　117
算法說明　117
詳細(xì)說明　119
3．6　算法15：混合高斯分布　122
概述　122
算法說明　123
詳細(xì)說明　126
3．7　算法16：LLE　127
概述　127
算法說明　128
詳細(xì)說明　131
3．8　算法17：t-SNE　133
概述　133
算法說明　134
詳細(xì)說明　136
第4章
評估方法和各種數(shù)據(jù)的處理　139
4．1　評估方法　140
有監(jiān)督學(xué)習(xí)的評估　140
分類問題的評估方法　140
回歸問題的評估方法　148
均方誤差和決定系數(shù)指標(biāo)的不同　152
與其他算法進(jìn)行比較　152
超參數(shù)的設(shè)置　154
模型的過擬合　155
防止過擬合的方法　155
將數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)　156
交叉驗證　158
搜索超參數(shù)　160
4．2　文本數(shù)據(jù)的轉(zhuǎn)換處理　163
基于單詞出現(xiàn)次數(shù)的轉(zhuǎn)換　163
基于tf-idf的轉(zhuǎn)換　164
應(yīng)用于機器學(xué)習(xí)模型　165
4．3　圖像數(shù)據(jù)的轉(zhuǎn)換處理　167
直接將像素信息作為數(shù)值使用　167
將轉(zhuǎn)換后的向量數(shù)據(jù)作為輸入來應(yīng)用機器學(xué)習(xí)模型　168
第5章
環(huán)境搭建　171
5．1　Python 3的安裝　172
Windows　172
macOS　172
Linux　173
使用Anaconda在Windows上安裝　174
5．2　虛擬環(huán)境　175
通過官方安裝程序安裝Python的情況　175
通過Anaconda安裝Python的情況　177
5．3　第三方包的安裝　178
什么是第三方包　178
安裝第三方包的方法　178
參考文獻(xiàn)　180