scikit-learn機器學習實戰(zhàn)

第1章 機器學習概述 3
1.1 什么是機器學習 4
1.2 機器學習的作用領域 6
1.3 機器學習的分類 7
1.4 機器學習理論基礎 8
1.5 機器學習應用開發(fā)的典型步驟 9
1.6 本章小結 10
1.7 復習題 11
第2章 機器學習之數(shù)據(jù)特征 12
2.1 數(shù)據(jù)分布性 12
2.2 數(shù)據(jù)相關性 22
2.3 數(shù)據(jù)聚類性 27
2.4 數(shù)據(jù)主成分分析 30
2.5 數(shù)據(jù)動態(tài)性 37
2.6 數(shù)據(jù)可視化 40
2.7 本章小結 42
2.8 復習題 43
第3章 用scikit-learn估計器分類 44
3.1 scikit-learn基礎 44
3.2 scikit-learn估計器 47
3.3 本章小結 52
3.4 復習題 52
第4章 樸素貝葉斯分類 53
4.1 算法原理 53
4.2 樸素貝葉斯分類 57
4.3 樸素貝葉斯分類實例 61
4.4 樸素貝葉斯連續(xù)值的處理 65
4.5 本章小結 67
4.6 復習題 67
第5章 線性回歸 68
5.1 簡單的線性回歸模型 68
5.2 分割數(shù)據(jù)集 73
5.3 用簡單線性回歸模型預測考試成績 77
5.4 本章小結 82
5.5 復習題 82
第6章 用k近鄰算法分類和回歸 83
6.1 k近鄰算法模型 83
6.2 用k近鄰算法處理分類問題 87
6.3 用k近鄰算法對鳶尾花進行分類 89
6.4 用k近鄰算法進行回歸擬合 92
6.5 本章小結 95
6.6 復習題 95
第7章 從簡單線性回歸到多元線性回歸 97
7.1 多變量的線性模型 97
7.2 模型的優(yōu)化 100
7.3 用多元線性回歸模型預測波士頓房價 108
7.4 本章小結 115
7.5 復習題 115
第8章 從線性回歸到邏輯回歸 116
8.1 邏輯回歸模型 116
8.2 多元分類問題 120
8.3 正則化項 123
8.4 模型優(yōu)化 124
8.5 用邏輯回歸算法處理二分類問題 126
8.6 識別手寫數(shù)字的多元分類問題 132
8.7 本章小結 136
8.8 復習題 137
第9章 非線性分類和決策樹回歸 138
9.1 決策樹特點 139
9.2 決策樹分類 140
9.3 決策樹回歸 142
9.4 決策樹復雜度及使用技巧 145
9.5 決策樹算法：ID3、C4.5和CART 146
9.6 本章小結 148
9.7 復習題 149
第10章 集成方法：從決策樹到隨機森林 150
10.1 Bagging元估計器 150
10.2 由隨機樹組成的森林 151
10.3 AdaBoost 155
10.4 梯度樹提升 156
10.5 本章小結 167
10.6 復習題 167
第11章 從感知機到支持向量機 168
11.1 線性支持向量機分類 168
11.2 非線性支持向量機分類 174
11.3 支持向量機回歸 181
11.4 本章小結 184
11.5 復習題 185
第12章 從感知機到人工神經(jīng)網(wǎng)絡 186
12.1 從神經(jīng)元到人工神經(jīng)元 186
12.2 感知器 189
12.3 多層感知器 194
12.4 本章小結 199
12.5 復習題 200
第13章 主成分分析降維 201
13.1 數(shù)據(jù)的向量表示及降維問題 201
13.2 向量的表示及基變換 202
13.3 協(xié)方差矩陣及優(yōu)化目標 205
13.4 PCA算法流程 209
13.5 PCA實例 210
13.6 scikit-learn PCA降維實例 211
13.7 核主成分分析KPCA簡介 216
13.8 本章小結 217
13.9 復習題 217
參考文獻 218