Python機(jī)器學(xué)習(xí)與應(yīng)用案例

第1章機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)
1.1何謂機(jī)器學(xué)習(xí)
1.1.1傳感器和海量數(shù)據(jù)
1.1.2機(jī)器學(xué)習(xí)的重要性
1.1.3機(jī)器學(xué)習(xí)的表現(xiàn)
1.1.4機(jī)器學(xué)習(xí)的主要任務(wù)
1.1.5選擇合適的算法
1.1.6機(jī)器學(xué)習(xí)程序的步驟
1.2綜合分類(lèi)
1.3推薦系統(tǒng)和深度學(xué)習(xí)
1.3.1推薦系統(tǒng)
1.3.2深度學(xué)習(xí)
1.4何為Python
1.4.1使用Python軟件的由來(lái)
1.4.2為什么使用Python
1.4.3Python設(shè)計(jì)定位
1.4.4Python的優(yōu)缺點(diǎn)
1.4.5Python的應(yīng)用
1.5Python編程第一步
1.6NumPy函數(shù)庫(kù)基礎(chǔ)
1.7Python迭代器與生成器
1.7.1迭代器
1.7.2生成器
1.8Pandas科學(xué)計(jì)算庫(kù)
1.8.1Pandas簡(jiǎn)介
1.8.2Pandas的安裝
1.8.3Pandas Series
1.8.4Pandas DataFrame
1.8.5Pandas CSV文件
1.9多線程
1.9.1學(xué)習(xí)Python線程
1.9.2線程模塊
1.9.3線程同步
1.9.4線程優(yōu)先級(jí)隊(duì)列(Queue)
1.10小結(jié)
1.11習(xí)題
第2章Python近鄰法
2.1k近鄰法的三要素
2.1.1k值的選擇
2.1.2距離度量
2.1.3分類(lèi)決策規(guī)則
2.2k近鄰法
2.3kd樹(shù)
2.3.1什么是kd樹(shù)
2.3.2如何構(gòu)建kd樹(shù)
2.3.3如何在kd樹(shù)中搜索
2.4Python實(shí)現(xiàn)kd樹(shù)、k近鄰法
2.5k近鄰實(shí)戰(zhàn)配對(duì)判定
2.6小結(jié)
2.7習(xí)題
第3章Python數(shù)據(jù)降維
3.1維數(shù)災(zāi)難與降維
3.2主成分分析
3.2.1PCA原理
3.2.2PCA算法
3.2.3PCA降維的兩個(gè)準(zhǔn)則
3.3tSNE降維
3.3.1tSNE核心思想
3.3.2算法步驟
3.3.3tSNE算法實(shí)現(xiàn)
3.4SVD降維
3.5核主成分分析降維
3.6流形學(xué)習(xí)降維
3.7多維縮放降維
3.7.1原理
3.7.2MDS算法
3.8等度量映射降維
3.9局部線性嵌入
3.9.1原理
3.9.2LLE算法
3.10非負(fù)矩陣分解
3.11小結(jié)
3.12習(xí)題
第4章Python分類(lèi)算法
4.1邏輯回歸
4.1.1邏輯回歸模型
4.1.2梯度下降法
4.2Softmax回歸
4.3因子分解機(jī)
4.3.1邏輯回歸算法的不足
4.3.2因子分解機(jī)模型
4.3.3FM算法中交叉項(xiàng)的處理
4.3.4FM算法的求解
4.3.5FM算法流程
4.3.6Python實(shí)現(xiàn)FM模型
4.4支持向量機(jī)
4.4.1SVM簡(jiǎn)介
4.4.2線性可分支持向量機(jī)
4.4.3函數(shù)間距和幾何間距
4.4.4線性支持向量機(jī)
4.4.5非線性支持向量機(jī)
4.5貝葉斯分類(lèi)器
4.5.1貝葉斯定理
4.5.2相關(guān)的概念
4.5.3常用貝葉斯分類(lèi)器
4.6隨機(jī)森林
4.6.1決策樹(shù)分類(lèi)器
4.6.2CART分類(lèi)樹(shù)算法
4.7各模型分類(lèi)對(duì)比
4.8小結(jié)
4.9習(xí)題
第5章Python回歸算法
5.1線性回歸
5.1.1基本線性回歸
5.1.2線性回歸的最小二乘解法
5.1.3牛頓法
5.1.4局部加權(quán)線性回歸
5.2非線性回歸
5.3嶺回歸與Lasso回歸
5.3.1線性回歸存在的問(wèn)題
5.3.2嶺回歸模型
5.3.3Lasso回歸模型
5.3.4擬牛頓法
5.3.5LBFGS求解嶺回歸模型
5.4小結(jié)
5.5習(xí)題
第6章Python聚類(lèi)算法
6.1kMeans算法
6.1.1相似性的度量
6.1.2kMeans算法原理
6.1.3kMeans 算法
6.2親和度聚類(lèi)
6.3Mean Shift聚類(lèi)算法
6.3.1Mean Shift向量
6.3.2核函數(shù)
6.3.3Mean Shift推導(dǎo)
6.3.4Mean Shift在圖像上的聚類(lèi)
6.4DBSCAN聚類(lèi)
6.4.1密度聚類(lèi)原理
6.4.2DBSCAN密度定義
6.4.3DBSCAN密度聚類(lèi)思想
6.4.4DBSCAN聚類(lèi)算法
6.4.5DBSCAN小結(jié)
6.5小結(jié)
6.6習(xí)題
第7章Python神經(jīng)網(wǎng)絡(luò)
7.1感知機(jī)
7.1.1感知機(jī)原理
7.1.2感知機(jī)模型
7.1.3感知機(jī)學(xué)習(xí)策略
7.1.4感知機(jī)學(xué)習(xí)算法
7.1.5神經(jīng)網(wǎng)絡(luò)
7.1.6感知機(jī)的實(shí)現(xiàn)
7.2BP神經(jīng)網(wǎng)絡(luò)
7.2.1BP神經(jīng)網(wǎng)絡(luò)原理
7.2.2BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
7.3徑向基神經(jīng)網(wǎng)絡(luò)
7.3.1徑向基函數(shù)解決插值問(wèn)題
7.3.2正則化理論
7.3.3正則化RBF網(wǎng)絡(luò)
7.3.4廣義RBF網(wǎng)絡(luò)
7.3.5數(shù)據(jù)中心的監(jiān)督學(xué)習(xí)算法
7.4模糊神經(jīng)網(wǎng)絡(luò)
7.4.1網(wǎng)絡(luò)模型
7.4.2學(xué)習(xí)算法
7.4.3模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用
7.5小結(jié)
7.6習(xí)題
第8章Python推薦算法
8.1協(xié)同過(guò)濾算法
8.1.1協(xié)同過(guò)濾算法概述
8.1.2協(xié)同過(guò)濾算法的分類(lèi)
8.1.3相似度的度量方法
8.1.4基于用戶的協(xié)同過(guò)濾算法
8.1.5基于物品的協(xié)同過(guò)濾算法
8.2基于矩陣分解的推薦算法
8.2.1矩陣分解
8.2.2基于矩陣分解的推薦算法
8.2.3非負(fù)矩陣分解
8.3基于圖的推薦算法
8.3.1二部圖
8.3.2由用戶商品矩陣到二部圖
8.3.3PageRank算法
8.3.4問(wèn)題說(shuō)明
8.4SVD協(xié)同作用
8.4.1SVD
8.4.2FunkSVD
8.4.3BiasSVD
8.4.4SVD
8.5小結(jié)
8.6習(xí)題
第9章Python頻繁項(xiàng)集
9.1關(guān)聯(lián)分析
9.1.1支持度與置信度
9.1.2窮舉法
9.2Apriori算法
9.2.1Apriori算法簡(jiǎn)介
9.2.2Apriori定理
9.2.3Apriori算法應(yīng)用
9.2.4Python生成候選項(xiàng)集
9.3FPGrowth算法
9.3.1用FP樹(shù)編碼數(shù)據(jù)集
9.3.2從FP樹(shù)中挖掘頻繁項(xiàng)
9.3.3從新聞網(wǎng)站點(diǎn)擊流中挖掘
9.4PrefixSpan算法
9.5小結(jié)
9.6習(xí)題
第10章Python數(shù)據(jù)預(yù)處理
10.1概述
10.1.1為什么要對(duì)數(shù)據(jù)預(yù)處理
10.1.2數(shù)據(jù)預(yù)處理的主要任務(wù)
10.2數(shù)據(jù)清理
10.2.1數(shù)據(jù)缺失
10.2.2過(guò)濾數(shù)據(jù)
10.2.3檢測(cè)和過(guò)濾異常值 
10.2.4移除重復(fù)數(shù)據(jù) 
10.3處理缺失值
10.3.1處理缺失值的方法
10.3.2缺失值補(bǔ)全法
10.3.3特征編碼
10.3.4數(shù)據(jù)標(biāo)準(zhǔn)化、正則化
10.3.5特征選擇
10.3.6稀疏表示和字典學(xué)習(xí)
10.4機(jī)器模型
10.4.1損失函數(shù)和風(fēng)險(xiǎn)函數(shù)
10.4.2模型評(píng)估
10.4.3性能度量
10.5索引的設(shè)置
10.6小結(jié)
10.7習(xí)題
參考文獻(xiàn)