机器学习与Python实践电子书

扉页

版权页

目录

内容提要

丛书序

前言

微课视频列表说明

第1章 机器学习概述

1.1 引言

1.1.1 问题导向框架

1.1.2 数据挖掘和机器学习

1.1.3 人工智能和机器学习

1.2 机器学习的分类

1.2.1 无监督学习、有监督学习和强化学习

1.2.2 深度学习和浅层学习

1.2.3 统计学习

1.3 机器学习的发展历程及应用

本章习题

第2章 Python科学计算简介

2.1 基础变量类型

2.1.1 数字（Number）

2.1.2 字符串（String）

2.1.3 列表（List）

2.1.4 元组（Tuple）

2.1.5 字典（Dictionary）

2.2 控制语句和函数

2.2.1 控制语句

2.2.2 函数

2.3 用于科学计算和数据处理的库

2.3.1 NumPy

2.3.2 SciPy

2.3.3 Pandas

2.4 作图和可视化

2.4.1 plot()函数与savefig()函数

2.4.2 标题、图例和坐标

2.4.3 散点图与直方图

2.4.4 Image Plot

2.5 输入和输出

2.5.1 标准输入和输出函数

2.5.2 第三方库的输入输出函数

2.5.3 案例分析：读取并处理股票行情数据

2.6 面向对象编程

2.6.1 面向过程编程

2.6.2 案例分析：面向对象编程示例

2.7 Python常用工具库

本章习题

第3章 无监督学习

3.1 描述性统计

3.1.1 描述性统计分析工具

3.1.2 案例分析：指数收益率的描述性统计

3.2 核密度估计

3.2.1 核密度估计方法

3.2.2 核密度估计的目标函数

3.3 k均值算法

3.4 主成分分析

3.4.1 最大投影方差和最小重构误差

3.4.2 特征分解和奇异值分解

3.4.3 案例分析：手写数字3特征分析

3.4.4 案例分析：利率期限结构

3.4.5 案例分析：股票收益率的协方差矩阵分解

3.5 混合模型和隐马尔可夫模型

3.5.1 混合模型

3.5.2 隐马尔可夫模型

本章习题

第4章 线性回归和正则化方法

4.1 回归分析流程

4.1.1 回归分析流程的主要步骤

4.1.2 案例分析：宏观违约率预测

4.2 变量选择基础

4.2.1 变量选择方法简介

4.2.2 案例分析：指数跟踪

4.2.3 Forward Stagewise回归

4.3 正则化方法

4.3.1 L2正则

4.3.2 L1正则

4.3.3 惩罚函数和稀疏性

4.4 回归估计和矩阵分解

4.4.1 奇异值分解和线性回归

4.4.2 QR分解和QR算法

本章习题

第5章 分类

5.1 判别分析

5.1.1 线性判别分析

5.1.2 二次判别分析

5.1.3 朴素贝叶斯

5.2 逻辑回归

5.2.1 模型估计

5.2.2 与交叉熵的关系

5.2.3 案例分析：股票涨跌预测

5.3 支持向量机

5.4 分类的评判

5.4.1 混淆矩阵和常用度量

5.4.2 F1 Score

5.4.3 ROC和AUC

5.4.4 数据不平衡的处理

本章习题

第6章 局部建模

6.1 样条方法

6.1.1 三阶样条

6.1.2 自然三阶样条

6.2 核技巧

6.3 局部回归

6.3.1 K邻近估计

6.3.2 局部常数估计

6.3.3 局部多项式估计

6.3.4 案例分析：期权隐含分布估计

6.3.5 局部似然估计

本章习题

第7章 模型选择和模型评估

7.1 模型评估

7.1.1 泛化误差

7.1.2 交叉验证

7.1.3 Bootstrap

7.2 模型选择

7.2.1 AIC准则

7.2.2 BIC准则

7.3 估计的自由度

7.4 案例分析：期权隐含分布估计（续1）

本章习题

第8章 统计推断基础

8.1 极大似然估计

8.2 置信区间和假设检验

8.2.1 置信区间

8.2.2 假设检验

8.3 Bootstrap方法

8.4 KL距离和信息论相关概念

8.4.1 KL距离和熵

8.4.2 KL距离和互信息

8.5 EM算法

8.5.1 EM算法与变分推断和MM算法

8.5.2 高斯混合模型的EM算法

8.5.3 隐马尔可夫模型的EM算法

8.5.4 案例分析：收益率序列隐状态预测

本章习题

第9章 贝叶斯方法

9.1 贝叶斯定理

9.1.1 事件的贝叶斯公式

9.1.2 随机变量的贝叶斯公式

9.2 贝叶斯视角下的频率方法

9.3 抽样方法

9.3.1 拒绝抽样法

9.3.2 案例分析：期权隐含分布估计（续2）

9.3.3 Metropolis-Hastings抽样算法

9.3.4 重要性抽样

9.3.5 蒙特卡洛标准误

9.4 变分推断

9.4.1 基于平均场的变分推断

9.4.2 变分推断算法示例

本章习题

第10章 树和树的集成

10.1 回归树和分类树

10.1.1 回归树

10.1.2 分类树

10.2 Bagging和随机森林

10.2.1 Bagging

10.2.2 随机森林

10.3 提升树Boosting Trees

10.3.1 AdaBoost

10.3.2 梯度提升树GBDT

10.3.3 XGBoost

10.3.4 案例分析：股票涨跌预测（续1）

本章习题

第11章 深度学习

11.1 前馈神经网络和梯度下降算法

11.1.1 神经元

11.1.2 前馈神经网络

11.1.3 梯度下降算法

11.1.4 反向传播算法

11.1.5 随机梯度算法的改进

11.1.6 激活函数和梯度消失问题

11.1.7 案例分析：股票涨跌预测（续2）

11.2 网络结构

11.2.1 卷积神经网络CNN

11.2.2 循环神经网络RNN

11.2.3 Dropout

11.2.4 Batch Normalization

11.2.5 残差网络

11.3 自编码和生成模型

11.3.1 自编码

11.3.2 案例分析：手写数字3特征分析（续）

11.3.3 逐层特征学习

11.3.4 生成对抗网络

11.3.5 变分自编码

11.4 揭开深度学习的黑箱

本章习题

第12章 强化学习

12.1 基于值函数的强化学习

12.1.1 强化学习的基础概念

12.1.2 值函数和Bellman方程

12.1.3 策略迭代和值迭代

12.1.4 基于值函数的无模型强化学习

12.2 值函数近似和深度Q网络

12.2.1 值函数的近似

12.2.2 深度Q网络DQN

12.2.3 案例分析：DQN智能交易机器人

12.3 策略梯度和Actor-Critic方法

12.3.1 策略梯度定理

12.3.2 强化学习和有监督学习的对比

12.3.3 Actor-Critic算法

12.4 学习、推演和搜索

12.4.1 “记忆式”学习

12.4.2 推演和搜索

12.4.3 蒙特卡洛树搜索

12.4.4 不完全信息决策简介

本章习题

参考文献