機器學習基礎（第2版·題庫·微課視頻版）

 

目錄

 

 

 

 

隨書資源

 

 

 

 

 

 

第1章機器學習概述

 

1.1機器學習的組成

 

1.2分類問題及回歸問題

 

1.3監督學習、半監督學習和無監督學習

 

1.4生成模型及判別模型

 

1.5模型評估

 

1.5.1訓練誤差及泛化誤差

 

1.5.2過擬合及欠擬合

 

1.6正則化

 

1.7Scikitlearn模塊

 

1.7.1數據集

 

1.7.2模型選擇

 

習題1

 

第2章邏輯回歸及最大熵模型

 

2.1線性回歸

 

2.1.1一元線性回歸

 

2.1.2多元線性回歸

 

2.2廣義線性回歸

 

2.2.1邏輯回歸

 

2.2.2多分類邏輯回歸

 

2.2.3交叉熵損失函數

 

2.3最大熵模型

 

2.3.1最大熵模型的導出

 

2.3.2最大熵模型與邏輯回歸之間的關系

 

2.4評價指標

 

2.4.1混淆矩陣

 

2.4.2準確率

 

2.4.3精確率與召回率

 

2.4.4PR曲線

 

2.4.5ROC曲線

 

2.5實例： 基於邏輯回歸實現乳腺癌預測

 

習題2

 

 

第3章k近鄰算法

 

3.1k值的選取

 

3.2距離的度量

 

3.3快速檢索 

 

3.4實例： 基於k近鄰算法實現鳶尾花分類

 

習題3

 

第4章決策樹

 

4.1特徵選擇

 

4.1.1信息增益

 

4.1.2信息增益比

 

4.2決策樹生成算法CART

 

4.3決策樹剪枝

 

4.3.1預剪枝

 

4.3.2後剪枝

 

4.4實例： 基於決策樹實現葡萄酒分類

 

習題4

 

 

 

 

 

第5章樸素貝葉斯分類器

 

5.1極大似然估計

 

5.2樸素貝葉斯分類

 

5.3拉普拉斯平滑

 

5.4樸素貝葉斯分類器的極大似然估計解釋

 

5.5實例： 基於樸素貝葉斯實現垃圾短信分類

 

習題5

 

第6章支持向量機

 

6.1最大間隔及超平面

 

6.2線性可分支持向量機

 

6.3線性支持向量機

 

6.4合頁損失函數

 

6.5核技巧

 

6.6二分類問題與多分類問題

 

6.6.1一對一

 

6.6.2一對多

 

6.6.3多對多

 

6.7實例： 基於支持向量機實現葡萄酒分類

 

習題6

 

第7章集成學習

 

7.1偏差與方差

 

7.2Bagging及隨機森林

 

7.2.1Bagging

 

7.2.2隨機森林

 

7.3Boosting及AdaBoost

 

7.3.1Boosting

 

7.3.2AdaBoost

 

7.4提升樹

 

7.4.1殘差提升樹

 

7.4.2GBDT

 

7.4.3XGBoost

 

7.5Stacking

 

7.6實例: 基於梯度下降樹實現波士頓房價預測

 

習題7

 

第8章EM算法及其應用

 

8.1Jensen不等式

 

8.2EM算法

 

8.3高斯混合模型（GMM）

 

8.4隱馬爾可夫模型

 

8.4.1計算觀測概率的輸出

 

8.4.2估計隱馬爾可夫模型的參數

 

8.4.3隱變量序列預測

 

8.5實例： 基於高斯混合模型實現鳶尾花分類

 

習題8

 

第9章降維

 

9.1主成分分析

 

9.1.1方差即協方差的無偏估計

 

9.1.2實例： 基於主成分分析實現鳶尾花數據降維

 

9.2奇異值分解

 

9.2.1奇異值分解的構造

 

9.2.2奇異值分解用於數據壓縮

 

9.2.3SVD與PCA的關系

 

9.2.4奇異值分解的幾何解釋

 

9.2.5實例： 基於奇異值分解實現圖片壓縮

 

習題9

 

第10章聚類

 

10.1距離度量

 

10.1.1閔可夫斯基距離

 

10.1.2餘弦相似度

 

10.1.3馬氏距離

 

10.1.4漢明距離

 

10.2層次聚類

 

10.3KMeans聚類

 

10.4KMedoids聚類

 

10.5DBSCAN

 

10.6實例： 基於KMeans實現鳶尾花聚類

 

習題10

 

 

第11章神經網絡與深度學習

 

11.1神經元模型

 

11.2多層感知機

 

11.3損失函數

 

11.4反向傳播算法

 

11.4.1梯度下降法

 

11.4.2梯度消失及梯度爆炸

 

11.5捲積神經網絡

 

11.5.1捲積

 

11.5.2池化

 

11.5.3網絡架構

 

11.6循環神經網絡

 

11.7生成對抗網絡

 

11.8圖捲積神經網絡

 

11.9深度學習發展

 

11.10實例： 基於捲積神經網絡實現手寫數字識別

 

11.10.1MNIST數據集

 

11.10.2基於捲積神經網絡的手寫數字識別

 

習題11

 

第12章案例： 用戶流失預警

 

12.1讀入數據

 

12.2數據預處理和自變量標準化

 

12.3五折交叉驗證

 

12.4代入三種模型

 

12.5調整prob閾值，輸出精度評估

 

第13章案例： 基於回歸問題和XGBoost模型的房價預測

 

13.1XGBoost模型介紹

 

13.2技術方案

 

13.2.1數據分析

 

13.2.2XGBoost模型參數

 

13.2.3調參過程

 

13.3完整代碼及結果展示

 

第14章案例： 基於KMeans算法的鳶尾花數據聚類和可視化

 

14.1數據及工具簡介

 

14.1.1Iris數據集(鳶尾花數據集)

 

14.1.2Tkinter

 

14.2案例分析

 

14.2.1模塊引入

 

14.2.2佈局圖形界面

 

14.2.3讀取數據文件

 

14.2.4聚類

 

14.2.5聚類結果可視化

 

14.2.6誤差分析及其可視化

 

14.2.7使用流程

 

第15章案例： 影評數據分析與電影推薦

 

15.1明確目標與準備數據

 

15.2工具選擇

 

15.3初步分析

 

15.3.1用戶角度分析

 

15.3.2電影角度分析

 

15.4電影推薦

 

第16章案例： 股價預測

 

16.1使用Tsfresh進行升維和特徵工程

 

16.2程序設計思路

 

16.3程序設計步驟

 

16.3.1讀入並分析數據

 

16.3.2移窗

 

16.3.3升維

 

16.3.4方差過濾

 

16.3.5使用AdaBoostRegressor模型進行回歸預測

 

16.3.6預測結果分析

 

第17章案例： 使用CRF實現命名實體識別

 

17.1模型定義

 

17.2數據預處理

 

17.3模型訓練

 

17.4模型預測

 

 

第18章案例： 利用手機的購物評論分析手機特徵

 

18.1數據準備

 

18.2數據分析

 

18.2.1模型介紹

 

18.2.2算法應用

 

18.2.3名詞提取

 

18.2.4情感分析

 

第19章案例： 基於CNN的手寫數字識別

 

19.1MINST數據集介紹與分析

 

19.2基於 CNN 的構建與訓練

 

 

參考文獻