Python机器学习

前言

第1章　机器学习基础 1

1.1　引论 1

1.2　何谓机器学习 2

1.2.1　概述 2

1.2.2　引例 2

1.3　机器学习中的常用算法 4

1.3.1　按照学习方式划分 4

1.3.2　按照算法相似性划分 7

1.4　本章小结 14

1.5　本章习题 14

第2章　Python与数据科学 15

2.1　Python概述 15

2.2　Python与数据科学的关系 16

2.3　Python中常用的第三方库 16

2.3.1　NumPy 16

2.3.2　SciPy 17

2.3.3　Pandas 17

2.3.4　Matplotlib 18

2.3.5　Scikit-learn 18

2.4　编译环境 18

2.4.1　Anaconda 19

2.4.2　Jupyter Notebook 21

2.5　本章小结 23

2.6　本章习题 24

第3章　线性回归算法 25

3.1　算法概述 25

3.2　算法流程 25

3.3　算法步骤 26

3.4　算法实例 30

3.5　算法应用 32

3.6　算法的改进与优化 34

3.7　本章小结 34

3.8　本章习题 34

第4章　逻辑回归算法 37

4.1　算法概述 37

4.2　算法流程 38

4.3　算法步骤 38

4.4　算法实例 40

4.5　算法应用 45

4.6　算法的改进与优化 49

4.7　本章小结 49

4.8　本章习题 49

第5章　K最近邻算法 51

5.1　算法概述 51

5.2　算法流程 52

5.3　算法步骤 52

5.4　算法实例 53

5.5　算法应用 54

5.6　算法的改进与优化 57

5.7　本章小结 58

5.8　本章习题 58

第6章　PCA降维算法 59

6.1　算法概述 59

6.2　算法流程 60

6.3　算法步骤 60

6.3.1　内积与投影 60

6.3.2　方差 62

6.3.3　协方差 62

6.3.4　协方差矩阵 63

6.3.5　协方差矩阵对角化 63

6.4　算法实例 65

6.5　算法应用 67

6.6　算法的改进与优化 68

6.7　本章小结 68

6.8　本章习题 69

第7章　k-means算法 70

7.1　算法概述 70

7.2　算法流程 70

7.3　算法步骤 71

7.3.1　距离度量 71

7.3.2　算法核心思想 72

7.3.3　初始聚类中心的选择 73

7.3.4　簇类个数k的调整 73

7.3.5　算法特点 74

7.4　算法实例 75

7.5　算法应用 77

7.6　算法的改进与优化 81

7.7　本章小结 81

7.8　本章习题 82

第8章　支持向量机算法 84

8.1　算法概述 84

8.2　算法流程 85

8.2.1　线性可分支持向量机 85

8.2.2　非线性支持向量机 85

8.3　算法步骤 85

8.3.1　线性分类 85

8.3.2　函数间隔与几何间隔 87

8.3.3　对偶方法求解 88

8.3.4　非线性支持向量机与核函数 90

8.4　算法实例 93

8.5　算法应用 95

8.6　算法的改进与优化 100

8.7　本章小结 101

8.8　本章习题 101

第9章　AdaBoost算法 102

9.1　算法概述 102

9.2　算法流程 102

9.3　算法步骤 103

9.4　算法实例 105

9.5　算法应用 106

9.6　算法的改进与优化 109

9.7　本章小结 110

9.8　本章习题 110

第10章　决策树算法 112

10.1　算法概述 112

10.2　算法流程 113

10.3　算法步骤 113

10.3.1　两个重要概念 113

10.3.2　实现步骤 115

10.4　算法实例 115

10.5　算法应用 118

10.6　算法的改进与优化 119

10.7　本章小结 120

10.8　本章习题 120

第11章　高斯混合模型算法 121

11.1　算法概述 121

11.2　算法流程 121

11.3　算法步骤 122

11.3.1　构建高斯混合模型 122

11.3.2　EM算法估计模型参数 123

11.4　算法实例 125

11.5　算法应用 127

11.6　算法的改进与优化 129

11.7　本章小结 130

11.8　本章习题 130

第12章　随机森林算法 132

12.1　算法概述 132

12.2　算法流程 133

12.3　算法步骤 134

12.3.1　构建数据集 134

12.3.2　基于数据集构建分类器 134

12.3.3　投票组合得到最终结果并分析 135

12.4　算法实例 136

12.5　算法应用 140

12.6　算法的改进与优化 142

12.7　本章小结 143

12.8　本章习题 143

第13章　朴素贝叶斯算法 145

13.1　算法概述 145

13.2　算法流程 145

13.3　算法步骤 146

13.4　算法实例 148

13.5　算法应用 149

13.6　算法的改进与优化 151

13.7　本章小结 152

13.8　本章习题 152

第14章　隐马尔可夫模型算法 154

14.1　算法概述 154

14.2　算法流程 154

14.3　算法步骤 155

14.4　算法实例 156

14.5　算法应用 159

14.6　算法的改进与优化 165

14.7　本章小结 166

14.8　本章习题 166

第15章　BP神经网络算法 167

15.1　算法概述 167

15.2　算法流程 167

15.3　算法步骤 168

15.4　算法实例 170

15.5　算法应用 174

15.6　算法的改进与优化 176

15.7　本章小结 177

15.8　本章习题 177

第16章　卷积神经网络算法 179

16.1　算法概述 179

16.2　算法流程 179

16.3　算法步骤 180

16.3.1　向前传播阶段 181

16.3.2　向后传播阶段 183

16.4　算法实例 184

16.5　算法应用 188

16.6　算法的改进与优化 193

16.7　本章小结 194

16.8　本章习题 194

第17章　递归神经网络算法 196

17.1　算法概述 196

17.2　算法流程 197

17.3　算法步骤 198

17.4　算法实例 200

17.5　算法应用 204

17.6　算法的改进与优化 207

17.7　本章小结 208

17.8　本章习题 208

课后习题答案 210

参考文献 231