机器学习算法(原书第2版)电子书

译者序

前言

第1章 机器学习简介

1.1 简介——经典机器和自适应的机器

1.2 关于学习

1.3 超越机器学习——深度学习和基于生物启发的适应系统

1.4 机器学习和大数据

1.5 本章小结

第2章 机器学习的重要元素

2.1 数据格式

2.2 可学习性

2.3 统计学习方法介绍

2.4 类平衡

2.5 信息论的要素

2.6 本章小结

第3章 特征选择与特征工程

3.1 scikit-learn的toy数据集

3.2 创建训练集和测试集

3.3 管理分类数据

3.4 管理缺失特征

3.5 数据缩放和归一化

3.6 特征选择和过滤

3.7 主成分分析

3.8 独立成分分析

3.9 原子提取和字典学习

3.10 使用t-SNE可视化高维数据集

3.11 本章小结

第4章 回归算法

4.1 线性模型

4.2 一个二维的例子

4.3 基于scikit-learn的线性回归和更高维

4.4 Ridge回归、Lasso回归和ElasticNet

4.5 稳健回归

4.6 贝叶斯回归

4.7 多项式回归

4.8 保序回归

4.9 本章小结

第5章 线性分类算法

5.1 线性分类

5.2 逻辑回归

5.3 实现和优化

5.4 随机梯度下降算法

5.5 被动攻击算法

5.6 通过网格搜索找到最优超参数

5.7 评估分类的指标

5.8 ROC曲线

5.9 本章小结

第6章 朴素贝叶斯和判别分析

6.1 贝叶斯定理

6.2 朴素贝叶斯分类器

6.3 scikit-learn中的朴素贝叶斯

6.4 判别分析

6.5 本章小结

第7章 支持向量机

7.1 线性支持向量机

7.2 scikit-learn实现

7.3 基于内核的分类

7.4 受控支持向量机

7.5 支持向量回归

7.6 半监督支持向量机简介

7.7 本章小结

第8章 决策树和集成学习

8.1 二元决策树

8.2 基于scikit-learn的决策树分类

8.3 决策树回归

8.4 集成学习简介

8.5 本章小结

第9章 聚类原理

9.1 聚类基础

9.2 k-NN算法

9.3 高斯混合

9.4 k-means

9.5 基于样本标记的评价方法

9.6 本章小结

第10章 高级聚类

10.1 DBSCAN

10.2 谱聚类

10.3 在线聚类

10.4 双聚类

10.5 本章小结

第11章 层次聚类

11.1 分层策略

11.2 凝聚聚类

11.3 本章小结

第12章 推荐系统介绍

12.1 朴素的基于用户的系统

12.2 基于内容的系统

12.3 无模式（或基于内存的）协同过滤

12.4 基于模型的协同过滤

12.5 本章小结

第13章 自然语言处理简介

13.1 NLTK和内置语料库

13.2 词袋策略

13.3 词性

13.4 示例文本分类器

13.5 本章小结

第14章 NLP中的主题建模与情感分析

14.1 主题建模

14.2 使用Gensim的Word2vec简介

14.3 情感分析

14.4 本章小结

第15章 神经网络介绍

15.1 深度学习简介

15.2 基于Keras的MLP

15.3 本章小结

第16章 高级深度学习模型

16.1 深层结构

16.2 基于Keras的深度卷积网络示例

16.3 基于Keras的LSTM网络示例

16.4 TensorFlow简介

16.5 本章小结

第17章 创建机器学习架构

17.1 机器学习框架

17.2 用于机器学习架构的scikit-learn工具

17.3 本章小结