快乐机器学习电子书

前折页

书名页

版权页

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

1.1.1 结构型与非结构型数据

1.1.2 原始数据与加工

1.1.3 样本内数据与样本外数据

1.2 机器学习类别

1.2.1 有监督学习

1.2.2 无监督学习

1.2.3 半监督学习

1.2.4 增强学习

1.2.5 深度学习

1.2.6 迁移学习

1.3 性能度量

1.3.1 误差函数

1.3.2 回归度量

1.3.3 分类度量

1.4 总结

参考资料

第2章 机器学习可行吗——计算学习理论

引言

2.1 基础知识

2.1.1 二分类

2.1.2 对分

2.1.3 增长函数

2.1.4 突破点

2.2 核心推导

2.2.1 机器学习可行条件

2.2.2 从已知推未知

2.2.3 从民意调查到机器学习

2.2.4 从单一到有限

2.2.5 从有限到无限

2.2.6 从无限到有限

2.3 结论应用

2.3.1 VC不等式

2.3.2 VC维度

2.3.3 模型复杂度

2.3.4 样本复杂度

2.4 总结

参考资料

技术附录

第3章 机器学习怎么学——模型评估选择

引言

3.1 模型评估

3.2 训练误差和测试误差

3.2.1 训练误差

3.2.2 真实误差

3.2.3 测试误差

3.2.4 学习理论

3.3 验证误差和交叉验证误差

3.3.1 验证误差

3.3.2 交叉验证误差

3.3.3 学习理论

3.4 误差剖析

3.4.1 误差来源

3.4.2 偏差—方差权衡

3.5 模型选择

3.6 总结

参考资料

技术附录

第4章 线性回归

引言

4.1 基础知识

4.1.1 标量微积分

4.1.2 向量微积分

4.2 模型介绍

4.2.1 核心问题

4.2.2 通用线性回归模型

4.2.3 特征缩放

4.2.4 学习率设定

4.2.5 数值算法比较

4.2.6 代码实现

4.3 总结

参考资料

第5章 对率回归

引言

5.1 基础内容

5.1.1 联系函数

5.1.2 函数绘图

5.2 模型介绍

5.2.1 核心问题

5.2.2 查准和查全

5.2.3 类别不平衡

5.2.4 线性不可分

5.2.5 多分类问题

5.2.6 代码实现

5.3 总结

参考资料

第6章 正则化回归

引言

6.1 基础知识

6.1.1 等值线图

6.1.2 坐标下降

6.2 模型介绍

6.2.1 核心问题

6.2.2 模型对比

6.2.3 最佳模型

6.2.4 代码实现

6.3 总结

参考资料

第7章 支持向量机

引言

7.1 基础知识

7.1.1 向量初体验

7.1.2 拉格朗日量

7.1.3 原始和对偶

7.2 模型介绍

7.2.1 硬间隔SVM原始问题

7.2.2 硬间隔SVM对偶问题

7.2.3 软间隔SVM原始问题

7.2.4 软间隔SVM对偶问题

7.2.5 空间转换

7.2.6 核技巧

7.2.7核SVM

7.2.8 SMO算法

7.2.9 模型选择

7.3 总结

参考资料

技术附录

第8章 朴素贝叶斯

引言

8.1 基础知识

8.1.1 两种概率学派

8.1.2 两种独立类别

8.1.3 两种学习算法

8.1.4 两种估计方法

8.1.5 两类概率分布

8.2 模型介绍

8.2.1 问题剖析

8.2.2 朴素贝叶斯算法

8.2.3 多元伯努利模型

8.2.4 多项事件模型

8.2.5 高斯判别分析模型

8.2.6 多分类问题

8.2.7 拉普拉斯校正

8.2.8 最大似然估计和最大后验估计

8.3 总结

参考资料

技术附录

第9章 决策树

引言

9.1 基础知识

9.1.1 多数规则

9.1.2 熵和条件熵

9.1.3 信息增益和信息增益比

9.1.4 基尼指数

9.2 模型介绍

9.2.1 二分类决策树

9.2.2 多分类决策树

9.2.3 连续值分裂

9.2.4 欠拟合和过拟合

9.2.5 预修剪和后修剪

9.2.6 数据缺失

9.2.7 代码实现

9.3 总结

参考资料

第10章 人工神经网络

引言

10.1 基本知识

10.1.1 转换函数

10.1.2 单输入单层单输出神经网络

10.1.3 多输入单层单输出神经网络

10.1.4 多输入单层多输出神经网络

10.1.5 多输入多层多输出神经网络

10.2 模型应用

10.2.1 创建神经网络模型

10.2.2 回归应用

10.2.3 分类应用

第11章 正向/反向传播

引言

11.1 基础知识

11.1.1 神经网络元素

11.1.2 链式法则

11.2 算法介绍

11.2.1 正向传播

11.2.2 梯度下降

11.2.3 反向传播

11.2.4 代码实现

11.3 总结

参考资料

技术附录

第12章 集成学习

引言

12.1 结合假设

12.1.1 语文和数学

12.1.2 准确和多样

12.1.3 独裁和民主

12.1.4 学习并结合

12.2 装袋法

12.2.1 基本概念

12.2.2 自助采样

12.2.3 结合假设

12.3 提升法

12.3.1 基本概念

12.3.2 最优加权

12.3.3 结合假设

12.4 集成方式

12.4.1 同质学习器

12.4.2 异质学习器

12.5 总结

参考资料

第13章 随机森林和提升树

引言

13.1 基础知识

13.1.1 分类回归树

13.1.2 前向分布算法

13.1.3 置换检验

13.2 模型介绍

13.2.1 随机森林

13.2.2 提升树

13.2.3 代码实现

13.3 总结

参考资料

第14章 极度梯度提升

引言

14.1 基础知识

14.1.1 树的重定义

14.1.2 树的复杂度

14.2 模型介绍

14.2.1 XGB简介

14.2.2 XGB的泛化度

14.2.3 XGB的精确度

14.2.4 XGB的速度

14.2.5 代码实现

14.3 总结

参考资料

第15章 本书总结

15.1 正交策略

15.2 单值评估指标

15.3 偏差和方差

15.3.1 理论定义

15.3.2 实用定义

15.3.3 最优误差

15.3.4 两者权衡

15.3.5 学习曲线

结语

后折页