更新时间：2020-07-24 10:14:09
封面
版权信息
人物简介
前言
本书阅读说明
第1章 机器学习是什么——机器学习定义
引言
1.1 数据
1.2 机器学习类别
1.3 性能度量
1.4 总结
参考资料
第2章 机器学习可行吗——计算学习理论
2.1 基础知识
2.2 核心推导
2.3 结论应用
2.4 总结
技术附录
第3章 机器学习怎么学——模型评估选择
3.1 模型评估
3.2 训练误差和测试误差
3.3 验证误差和交叉验证误差
3.4 误差剖析
3.5 模型选择
3.6 总结
第4章 线性回归
4.1 基础知识
4.2 模型介绍
4.2.3 特征缩放
4.3 总结
第5章 对率回归
5.1 基础内容
5.2 模型介绍
5.3 总结
第6章 正则化回归
6.1 基础知识
6.2 模型介绍
6.3 总结
第7章 支持向量机
7.1 基础知识
7.2 模型介绍
7.3 总结
第8章 朴素贝叶斯
8.1 基础知识
8.2 模型介绍
8.3 总结
第9章 决策树
9.1 基础知识
9.2 模型介绍
9.3 总结
第10章 人工神经网络
10.1 基本知识
10.2 模型应用
第11章 正向/反向传播
11.1 基础知识
11.2 算法介绍
11.3 总结
第12章 集成学习
12.1 结合假设
12.2 装袋法
12.3 提升法
12.4 集成方式
12.5 总结
第13章 随机森林和提升树
13.1 基础知识
13.2 模型介绍
13.3 总结
第14章 极度梯度提升
14.1 基础知识
14.2 模型介绍
14.3 总结
