图解机器学习算法电子书

版权声明

前言

目标读者

本书的主要内容

关于数学公式和符号

本书的示例代码

第 1 章　机器学习基础

1.1　机器学习概要

什么是机器学习

机器学习的种类

机器学习的应用

1.2　机器学习的步骤

数据的重要性

有监督学习（分类）的例子

无监督学习（聚类）的例子

可视化

图形的种类和画法：使用 Matplotlib 显示图形的方法

使用 pandas 理解和处理数据

本章小结

第 2 章　有监督学习

2.1　算法 1：线性回归

概述

算法说明

详细说明

2.2　算法 2：正则化

概述

算法说明

详细说明

2.3　算法 3：逻辑回归

概述

算法说明

详细说明

2.4　算法 4：支持向量机

概述

算法说明

详细说明

2.5　算法 5：支持向量机（核方法）

概述

算法说明

详细说明

2.6　算法 6：朴素贝叶斯

概述

算法说明

详细说明

2.7　算法 7：随机森林

概述

算法说明

详细说明

2.8　算法 8：神经网络

概述

算法说明

详细说明

2.9　算法 9：KNN

概述

算法说明

详细说明

第 3 章　无监督学习

3.1　算法 10：PCA

概述

算法说明

详细说明

3.2　算法 11：LSA

概述

算法说明

详细说明

3.3　算法 12：NMF

概述

算法说明

详细说明

3.4　算法 13：LDA

概述

算法说明

详细说明

3.5　算法 14：k-means 算法

概述

算法说明

详细说明

3.6　算法 15：混合高斯分布

概述

算法说明

详细说明

3.7　算法 16：LLE

概述

算法说明

详细说明

3.8　算法 17：t-SNE

概述

算法说明

详细说明

第 4 章　评估方法和各种数据的处理

4.1　评估方法

有监督学习的评估

分类问题的评估方法

回归问题的评估方法

均方误差和决定系数指标的不同

与其他算法进行比较

超参数的设置

模型的过拟合

防止过拟合的方法

将数据分为训练数据和验证数据

交叉验证

搜索超参数

4.2　文本数据的转换处理

基于单词出现次数的转换

基于 tf-idf 的转换

应用于机器学习模型

4.3　图像数据的转换处理

直接将像素信息作为数值使用

将转换后的向量数据作为输入来应用机器学习模型

第 5 章　环境搭建

5.1　Python 3 的安装

Windows

macOS

Linux

使用 Anaconda 在 Windows 上安装

5.2　虚拟环境

通过官方安装程序安装 Python 的情况

通过 Anaconda 安装 Python 的情况

5.3　第三方包的安装

什么是第三方包

安装第三方包的方法

附录

数学式的说明

矩阵运算

均值、方差、标准差

协方差、相关系数

方差 - 协方差矩阵、相关矩阵

名词解释

参考文献

作者简介