机器学习中的统计思维(Python实现)

机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率**化思想估计模型参数，利用方差对不确定性的捕捉构造k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。具体模型包括线性回归模型、K近邻模型、贝叶斯推断、逻辑回归模型、**熵模型、决策树模型、感知机模型、支持向量机、EM算法和提升方法。本书共12章，绪论介绍贯穿本书的两大思维模式，以及关于全书的阅读指南；第1章介绍一些基本术语，并给出监督学习的流程；第2章介绍关于回归问题的机器学习方法；第3～9章介绍关于分类问题的机器学习方法；第10章介绍可应用于具有隐变量模型的参数学习算法——EM算法；第11章简单介绍集成学习，并重点阐述其中的提升（Boosting）方法。为满足个性化学习需求的不同需求，本书从核心思想、方法流程及实际案例应用等不同角度，详细描述各种方法的原理和实用价值，非常适合数据科学、机器学习专业的本科生和研究生学习，也可供相关从业者参考。

绪论

0.1本书讲什么，初衷是什么

0.2贯穿本书的两大思维模式

0.2.1提问的思维方式

0.2.2发散的思维方式

0.3这本书决定它还想要这样

0.3.1第一性原理

0.3.2奥卡姆剃刀原理

0.4如何使用本书

第1章步入监督学习之旅

1.1机器学习从数据开始

1.2监督学习是什么

1.2.1基本术语

1.2.2学习过程如同一场科学推理

1.3如何评价模型的好坏

1.3.1评价模型的量化指标

1.3.2拟合能力

1.3.3泛化能力

……