Python机器学习核心算法编程实例

封面

版权信息

内容简介

前言

第1章 机器学习绪论

1.1 机器学习的定义

1.2 学习算法

1.3 机器学习应用程序的步骤

1.4 Python语言

1.5 Python的环境搭建

1.6 NumPy函数库基础

1.7 Python的基础知识

第2章 线性模型

2.1 一般线性回归

2.2 局部加权线性回归

2.3 广义线性模型

2.4 逻辑回归分析

2.5 牛顿法

2.6 缩减法

2.7 利用线性回归进行预测

第3章 树回归

3.1 构建决策树的准备工作

3.2 Matplotlib注释绘制树形图

3.3 使用决策树执行分类

3.4 决策树的存储

3.5 Sklearn使用决策树预测隐形眼镜类型

3.6 复杂数据的局部性建模

3.7 连续型和离散型特征的树构建

3.8 分类回归树

第4章 K-means聚类算法

4.1 K-means聚类算法概述

4.2 相似性的度量

4.3 K-means聚类算法的原理

4.4 K-近邻算法

4.5 各种聚类算法

4.6 K-means++算法

第5章 朴素贝叶斯

5.1 朴素贝叶斯理论

5.2 朴素贝叶斯算法

5.3 朴素贝叶斯算法的优缺点

第6章 数据降维

6.1 维度灾难与降维

6.2 高维数据降维的方法

第7章 支持向量机

7.1 支持向量机概述

7.2 分类间隔

7.3 拉格朗日乘子

7.4 核函数

7.5 SOM算法

7.6 SVM的优缺点

7.7 SVM的Python实现

第8章 随机森林

8.1 什么是随机森林

8.2 集成学习

8.3 Stacking学习算法

8.4 随机森林算法

8.5 随机森林算法实践

8.6 美国人口普查的例子

第9章 人工神经网络

9.1 感知机模型

9.2 从感知机到神经网络

9.3 多层前馈神经网络

9.4 神经网络的Python实现

第10章 协同过滤算法

10.1 协同过滤的核心

10.2 协同过滤的分类

10.3 相似性的度量方法

10.4 基于用户的协同过滤算法

10.5 基于项的协同过滤算法

10.6 利用协同过滤算法进行推荐

第11章 基于矩阵分解的推荐算法

11.1 矩阵分解

11.2 利用矩阵分解进行预测

11.3 非负矩阵分解

11.4 基于矩阵分解的推荐方法

第12章 集成学习

12.1 集成学习的原理及误差

12.2 集成学习方法

12.3 Python实现

第13章 数据预处理

13.1 数据预处理概述

13.2 去除唯一属性

13.3 处理缺失值

13.4 Python实现