Python機器學習與應用案例

第1章機器學習的基礎知識
1.1何謂機器學習
1.1.1傳感器和海量數(shù)據(jù)
1.1.2機器學習的重要性
1.1.3機器學習的表現(xiàn)
1.1.4機器學習的主要任務
1.1.5選擇合適的算法
1.1.6機器學習程序的步驟
1.2綜合分類
1.3推薦系統(tǒng)和深度學習
1.3.1推薦系統(tǒng)
1.3.2深度學習
1.4何為Python
1.4.1使用Python軟件的由來
1.4.2為什么使用Python
1.4.3Python設計定位
1.4.4Python的優(yōu)缺點
1.4.5Python的應用
1.5Python編程第一步
1.6NumPy函數(shù)庫基礎
1.7Python迭代器與生成器
1.7.1迭代器
1.7.2生成器
1.8Pandas科學計算庫
1.8.1Pandas簡介
1.8.2Pandas的安裝
1.8.3Pandas Series
1.8.4Pandas DataFrame
1.8.5Pandas CSV文件
1.9多線程
1.9.1學習Python線程
1.9.2線程模塊
1.9.3線程同步
1.9.4線程優(yōu)先級隊列(Queue)
1.10小結
1.11習題
第2章Python近鄰法
2.1k近鄰法的三要素
2.1.1k值的選擇
2.1.2距離度量
2.1.3分類決策規(guī)則
2.2k近鄰法
2.3kd樹
2.3.1什么是kd樹
2.3.2如何構建kd樹
2.3.3如何在kd樹中搜索
2.4Python實現(xiàn)kd樹、k近鄰法
2.5k近鄰實戰(zhàn)配對判定
2.6小結
2.7習題
第3章Python數(shù)據(jù)降維
3.1維數(shù)災難與降維
3.2主成分分析
3.2.1PCA原理
3.2.2PCA算法
3.2.3PCA降維的兩個準則
3.3tSNE降維
3.3.1tSNE核心思想
3.3.2算法步驟
3.3.3tSNE算法實現(xiàn)
3.4SVD降維
3.5核主成分分析降維
3.6流形學習降維
3.7多維縮放降維
3.7.1原理
3.7.2MDS算法
3.8等度量映射降維
3.9局部線性嵌入
3.9.1原理
3.9.2LLE算法
3.10非負矩陣分解
3.11小結
3.12習題
第4章Python分類算法
4.1邏輯回歸
4.1.1邏輯回歸模型
4.1.2梯度下降法
4.2Softmax回歸
4.3因子分解機
4.3.1邏輯回歸算法的不足
4.3.2因子分解機模型
4.3.3FM算法中交叉項的處理
4.3.4FM算法的求解
4.3.5FM算法流程
4.3.6Python實現(xiàn)FM模型
4.4支持向量機
4.4.1SVM簡介
4.4.2線性可分支持向量機
4.4.3函數(shù)間距和幾何間距
4.4.4線性支持向量機
4.4.5非線性支持向量機
4.5貝葉斯分類器
4.5.1貝葉斯定理
4.5.2相關的概念
4.5.3常用貝葉斯分類器
4.6隨機森林
4.6.1決策樹分類器
4.6.2CART分類樹算法
4.7各模型分類對比
4.8小結
4.9習題
第5章Python回歸算法
5.1線性回歸
5.1.1基本線性回歸
5.1.2線性回歸的最小二乘解法
5.1.3牛頓法
5.1.4局部加權線性回歸
5.2非線性回歸
5.3嶺回歸與Lasso回歸
5.3.1線性回歸存在的問題
5.3.2嶺回歸模型
5.3.3Lasso回歸模型
5.3.4擬牛頓法
5.3.5LBFGS求解嶺回歸模型
5.4小結
5.5習題
第6章Python聚類算法
6.1kMeans算法
6.1.1相似性的度量
6.1.2kMeans算法原理
6.1.3kMeans 算法
6.2親和度聚類
6.3Mean Shift聚類算法
6.3.1Mean Shift向量
6.3.2核函數(shù)
6.3.3Mean Shift推導
6.3.4Mean Shift在圖像上的聚類
6.4DBSCAN聚類
6.4.1密度聚類原理
6.4.2DBSCAN密度定義
6.4.3DBSCAN密度聚類思想
6.4.4DBSCAN聚類算法
6.4.5DBSCAN小結
6.5小結
6.6習題
第7章Python神經(jīng)網(wǎng)絡
7.1感知機
7.1.1感知機原理
7.1.2感知機模型
7.1.3感知機學習策略
7.1.4感知機學習算法
7.1.5神經(jīng)網(wǎng)絡
7.1.6感知機的實現(xiàn)
7.2BP神經(jīng)網(wǎng)絡
7.2.1BP神經(jīng)網(wǎng)絡原理
7.2.2BP神經(jīng)網(wǎng)絡的實現(xiàn)
7.3徑向基神經(jīng)網(wǎng)絡
7.3.1徑向基函數(shù)解決插值問題
7.3.2正則化理論
7.3.3正則化RBF網(wǎng)絡
7.3.4廣義RBF網(wǎng)絡
7.3.5數(shù)據(jù)中心的監(jiān)督學習算法
7.4模糊神經(jīng)網(wǎng)絡
7.4.1網(wǎng)絡模型
7.4.2學習算法
7.4.3模糊神經(jīng)網(wǎng)絡的應用
7.5小結
7.6習題
第8章Python推薦算法
8.1協(xié)同過濾算法
8.1.1協(xié)同過濾算法概述
8.1.2協(xié)同過濾算法的分類
8.1.3相似度的度量方法
8.1.4基于用戶的協(xié)同過濾算法
8.1.5基于物品的協(xié)同過濾算法
8.2基于矩陣分解的推薦算法
8.2.1矩陣分解
8.2.2基于矩陣分解的推薦算法
8.2.3非負矩陣分解
8.3基于圖的推薦算法
8.3.1二部圖
8.3.2由用戶商品矩陣到二部圖
8.3.3PageRank算法
8.3.4問題說明
8.4SVD協(xié)同作用
8.4.1SVD
8.4.2FunkSVD
8.4.3BiasSVD
8.4.4SVD
8.5小結
8.6習題
第9章Python頻繁項集
9.1關聯(lián)分析
9.1.1支持度與置信度
9.1.2窮舉法
9.2Apriori算法
9.2.1Apriori算法簡介
9.2.2Apriori定理
9.2.3Apriori算法應用
9.2.4Python生成候選項集
9.3FPGrowth算法
9.3.1用FP樹編碼數(shù)據(jù)集
9.3.2從FP樹中挖掘頻繁項
9.3.3從新聞網(wǎng)站點擊流中挖掘
9.4PrefixSpan算法
9.5小結
9.6習題
第10章Python數(shù)據(jù)預處理
10.1概述
10.1.1為什么要對數(shù)據(jù)預處理
10.1.2數(shù)據(jù)預處理的主要任務
10.2數(shù)據(jù)清理
10.2.1數(shù)據(jù)缺失
10.2.2過濾數(shù)據(jù)
10.2.3檢測和過濾異常值 
10.2.4移除重復數(shù)據(jù) 
10.3處理缺失值
10.3.1處理缺失值的方法
10.3.2缺失值補全法
10.3.3特征編碼
10.3.4數(shù)據(jù)標準化、正則化
10.3.5特征選擇
10.3.6稀疏表示和字典學習
10.4機器模型
10.4.1損失函數(shù)和風險函數(shù)
10.4.2模型評估
10.4.3性能度量
10.5索引的設置
10.6小結
10.7習題
參考文獻