MachineLearningWithMe

[中文|English]

坚持的力量！《跟我一起学机器学习》上市了!

购买链接：当当网   京东

目录

第0节 机器学习入门导读

第 1 章 环境配置

• 1.1 安装Conda
• 1.2 使用Conda
• 1.3 开发环境

第 2 章 线性回归

• 2.1 模型的建立与求解
• 2.2多变量线性回归
• 2.3 多项式回归
• 2.4 回归模型评估
• 2.5 梯度下降
• 2.6 正态分布
• 2.7 目标函数推导

第 3 章 逻辑回归

• 3.1 模型的建立与求解
• 3.2 多分类任务
• 3.3 常见的分类评估指标
• 3.4 目标函数推导

第 4 章 模型的改善与泛化

• 4.1 基本概念
• 4.2 特征标准化
• 4.3 过拟合
• 4.4 正则化
• 4.5 偏差、方差与交叉验证
• 4.6 实例分析手写体识别

第 5 章 K近邻

• 5.1 K近邻思想
• 5.2 K近邻原理
• 5.3 sklearn接口与示例代码
• 5.4 kd树
• 5.5 从零实现K近邻

第 6 章 文本特征提取与模型复用

• 6.1 词袋模型
• 6.2 基于$K$近邻算法的垃圾邮件分类
• 6.3 考虑权重的词袋模型
• 6.4 词云图

第 7 章 朴素贝叶斯

• 7.1 朴素贝叶斯算法
• 7.2 贝叶斯估计
• 7.3 从零实现朴素贝叶斯算法
• 7.4 多项式朴素贝叶斯原理与实现
• 7.5 高斯朴素贝叶斯原理与实现

第 8 章 决策树与集成学习

• 8.1 决策树的基本思想
• 8.2 决策树的生成之ID3与C4.5
• 8.3 决策树生成与可视化
• 8.4 决策树剪枝
• 8.5 从零实现ID3与C4.5决策树算法
• 8.6 连续型特征变量下决策树实现
• 8.7 CART生成与剪枝算法
• 8.8 从零实现CART决策树算法
• 8.9 集成学习
• 8.10 随机森林
• 8.11 泰坦尼克号生还预测
• 8.12 AdaBoost原理与实现
• 8.13 MultiAdaboost原理与实现
• 8.14 GradientBoosted原理与实现

第 9 章 支持向量机

• 9.1 SVM思想
• 9.2 SVM原理
• 9.3 SVM示例代码与线性不可分
• 9.4 SVM中的软间隔
• 9.5 拉格朗日乘数法
• 9.6 对偶性与KKT条件
• 9.7 SVM优化问题
• 9.8 SMO算法
• 9.9 从零实现SVM分类算法

第 10 章 聚类

• 10.1 聚类算法的思想
• 10.2 kmeans聚类算法
• 10.3 kmeans算法求解
• 10.4 从零实现kmeans聚类算法
• 10.5 kmeans++聚类算法
• 10.6 聚类外部评估指标
• 10.7 加权kmeans聚类算法
• 10.8 聚类内部评估指标
• 10.9 聚类K值选取与分析
• 10.10 基于密度的聚类
• 10.11 基于层次的聚类

第 11 章 降维算法

• 11.1 主成分分析
• 11.2 基于核方法的主成分分析

第 12 章 自训练与标签传播算法

• 12.1 Self-training自训练算法
• 12.2 Label Propagation标签传播算法
• 12.3 Label Spreading标签传播算法