Python大战机器学习：数据科学家的第一个小目标电子书

版权页

自序

前言

第一篇 机器学习基础篇

第1章 线性模型

1.1 概述

1.2 算法笔记精华

1.2.1 普通线性回归

1.2.2 广义线性模型

1.2.3 逻辑回归

1.2.4 线性判别分析

1.3 Python实战

1.3.1 线性回归模型

1.3.2 线性回归模型的正则化

1.3.3 逻辑回归

1.3.4 线性判别分析

第2章 决策树

2.1 概述

2.2 算法笔记精华

2.2.1 决策树原理

2.2.2 构建决策树的3个步骤

2.2.3 CART算法

2.2.4 连续值和缺失值的处理

2.3 Python实战

2.3.1 回归决策树（DecisionTreeRegressor）

2.3.2 分类决策树（DecisionTreeClassifier）

2.3.3 决策图

第3章 贝叶斯分类器

3.1 概述

3.2 算法笔记精华

3.2.1 贝叶斯定理

3.2.2 朴素贝叶斯法

3.3 Python实战

3.3.1 高斯贝叶斯分类器（GaussianNB）

3.3.2 多项式贝叶斯分类器（MultinomialNB）

3.3.3 伯努利贝叶斯分类器（BernoulliNB）

3.3.4 递增式学习partial_fit方法

第4章 k近邻法

4.1 概述

4.2 算法笔记精华

4.2.1 kNN三要素

4.2.2 k近邻算法

4.2.3 kd树

4.3 Python实践

第5章 数据降维

5.1 概述

5.2 算法笔记精华

5.2.1 维度灾难与降维

5.2.2 主成分分析（PCA）

5.2.3 SVD降维

5.2.4 核化线性（KPCA）降维

5.2.5 流形学习降维

5.2.6 多维缩放（MDS）降维

5.2.7 等度量映射（Isomap）降维

5.2.8 局部线性嵌入（LLE）

5.3 Python实战

5.4 小结

第6章 聚类和EM算法

6.1 概述

6.2 算法笔记精华

6.2.1 聚类的有效性指标

6.2.2 距离度量

6.2.3 原型聚类

6.2.4 密度聚类

6.2.5 层次聚类

6.2.6 EM算法

6.2.7 实际中的聚类要求

6.3 Python实战

6.3.1 K均值聚类（KMeans）

6.3.2 密度聚类（DBSCAN）

6.3.3 层次聚类（AgglomerativeClustering）

6.3.4 混合高斯（GaussianMixture）模型

6.4 小结

第二篇 机器学习高级篇

第7章 支持向量机

7.1 概述

7.2 算法笔记精华

7.2.1 线性可分支持向量机

7.2.2 线性支持向量机

7.2.3 非线性支持向量机

7.2.4 支持向量回归

7.2.5 SVM的优缺点

7.3 Python实战

7.3.1 线性分类SVM

7.3.2 非线性分类SVM

7.3.3 线性回归SVR

7.3.4 非线性回归SVR

第8章 人工神经网络

8.1 概述

8.2 算法笔记精华

8.2.1 感知机模型

8.2.2 感知机学习算法

8.2.3 神经网络

8.3 Python实战

8.3.1 感知机学习算法的原始形式

8.3.2 感知机学习算法的对偶形式

8.3.3 学习率与收敛速度

8.3.4 感知机与线性不可分数据集

8.3.5 多层神经网络

8.3.6 多层神经网络与线性不可分数据集

8.3.7 多层神经网络的应用

第9章 半监督学习

9.1 概述

9.2 算法笔记精华

9.2.1 生成式半监督学习方法

9.2.2 图半监督学习

9.3 Python实战

9.4 小结

第10章 集成学习

10.1 概述

10.2 算法笔记精华

10.2.1 集成学习的原理及误差

10.2.2 Boosting算法

10.2.3 AdaBoost算法

10.2.4 AdaBoost与加法模型

10.2.5 提升树

10.2.6 Bagging算法

10.2.7 误差-分歧分解

10.2.8 多样性增强

10.3 Python实战

10.3.1 AdaBoost

10.3.2 Gradient Tree Boosting

10.3.3 Random Forest

10.4 小结

第三篇 机器学习工程篇

第11章 数据预处理

11.1 概述

11.2 算法笔记精华

11.2.1 去除唯一属性

11.2.2 处理缺失值的三种方法

11.2.3 常见的缺失值补全方法

11.2.4 特征编码

11.2.5 数据标准化、正则化

11.2.6 特征选择

11.2.7 稀疏表示和字典学习

11.3 Python实践

11.3.1 二元化

11.3.2 独热码

11.3.3 标准化

11.3.4 正则化

11.3.5 过滤式特征选取

11.3.6 包裹式特征选取

11.3.7 嵌入式特征选取

11.3.8 学习器流水线（Pipeline）

11.3.9 字典学习

第12章 模型评估、选择与验证

12.1 概述

12.2 算法笔记精华

12.2.1 损失函数和风险函数

12.2.2 模型评估方法

12.2.3 模型评估

12.2.4 性能度量

12.2.5 偏差方差分解

12.3 Python实践

12.3.1 损失函数

12.3.2 数据集切分

12.3.3 性能度量

12.3.4 参数优化

第四篇 Kaggle实战篇

第13章 Kaggle牛刀小试

13.1 Kaggle简介

13.2 清洗数据

13.2.1 加载数据

13.2.2 合并数据

13.2.3 拆分数据

13.2.4 去除唯一值

13.2.5 数据类型转换

13.2.6 Data_Cleaner类

13.3 数据预处理

13.3.1 独热码编码

13.3.2 归一化处理

13.3.3 Data_Preprocesser类

13.4 学习曲线和验证曲线

13.4.1 程序说明

13.4.2 运行结果

13.5 参数优化

13.6 小结

全书符号