更新时间：2019-07-09 11:02:02
封面
版权信息
内容简介
前言
第1章 机器学习概述
1.1 机器学习介绍
1.2 机器学习分类
1.3 机器学习方法三要素
第2章 机器学习工程实践
2.1 模型评估指标
2.2 模型复杂度度量
2.3 特征工程与模型调优
第3章 线性回归
3.1 问题引入
3.2 线性回归模型
3.3 线性回归的scikit-learn实现
3.4 线性回归实例
3.5 小结
第4章 朴素贝叶斯
4.1 概述
4.2 相关原理
4.3 朴素贝叶斯的三种形式及scikit-learn实现
4.4 中文文本分类项目
4.5 小结
第5章 K近邻
5.1 概述
5.2 K近邻分类原理
5.3 K近邻回归原理
5.4 搜索优化——KD树
5.5 K近邻的scikit-learn实现
5.6 K近邻应用实例
5.7 小结
第6章 决策树
6.1 概述
6.2 特征选择
6.3 决策树的生成
6.4 决策树的剪枝
6.5 决策树的scikit-learn实现
6.6 决策树应用于文本分类
6.7 小结
第7章 Logistic回归
7.1 Logistic回归概述
7.2 Logistic回归原理
7.3 多项Logistic回归
7.4 Logistic回归的scikit-learn实现
7.5 Logistic回归实例
7.6 小结
第8章 支持向量机
8.1 感知机
8.2 硬间隔支持向量机
8.3 软间隔支持向量机
8.4 合页损失函数
8.5 非线性支持向量机
8.6 SVM模型的scikit-learn实现
8.7 SVM模型实例
8.8 小结
第9章 随机森林
9.1 Bagging模型
9.2 随机森林
9.3 RF的推广——extra trees
9.4 RF的scikit-learn实现
9.5 RF的scikit-learn使用实例
9.6 小结
第10章 AdaBoost
10.1 AdaBoost的结构
10.2 AdaBoost的原理
10.3 AdaBoost的scikit-learn实现
10.4 AdaBoost使用实例
10.5 AdaBoost的优/缺点
第11章 提升树
11.1 提升树的定义
11.2 梯度提升树
11.3 XGBoost
第12章 聚类
12.1 聚类问题介绍
12.2 K-Means聚类
12.3 层次聚类
12.4 密度聚类
12.5 谱聚类
12.6 高斯混合聚类
第13章 降维
13.1 奇异值分解
13.2 主成分分析
13.3 线性判别分析
13.4 局部线性嵌入
第14章 Word2Vec和Doc2Vec词向量模型
14.1 Word2Vec
14.2 Doc2Vec模型
第15章 深度神经网络模型
15.1 深度学习
15.2 神经网络原理
15.3 神经网络应用实例
15.4 小结
