机器学习原理与Python编程实践

本书讲述机器学习的基本原理，使用Pymon和Numpy实现涉及的各种机器学习算法。通过理论学习和实践操作，使读者了解并掌握机器学习的基本原理和技能，拉近理论与实践的距离。全书共分为13章，主要内容包括：机器学习介绍、线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值算法和EM算法、决策树、神经网络、隐马尔科夫模型、支持向量机、推荐系统、主成分分析、集成学习。全书源码全部在Pvthon 3.7上调试成功，每章都附有习题和习题参考答案，供读者参考。
本书系统讲解了机器学习的常用核心算法和Python编程实践，内容全面、实例丰富、可操作性强，做到理论与实践相结合。本书适合机器学习爱好者作为入门和提高的技术参考书，也适合用作计算机专业高年级本科生和研究生的教材或教学参考书。

章 机器学习介绍
1.1 机器学习简介
1.1.1 什么是机器学习
1.1.2 机器学习与日常生活
1.1.3如何学习机器学习
1.1.4 Pymon的优势
1.2 基本概念
1.2.1 机器学习的种类
1.2.2 有监督学习
1.2.3 无监督学习
1.2.4 机器学习的术语
1.2.5 预处理
1.3 Numpy数据格式
l.3.1 标称数据
1.3.2 序数数据
1.3.3 分类数据
1.4 示例数据集
1.4.1 天气问题
1.4.2 鸢尾花
1.4.3 其他数据集
1.5 了解你的数据
习题
第2章 线性回归
2.1 从一个实际例子说起
2.1.1 模型定义
2.1.2 模型假设
2.1.3 模型评估
2.2 最小二乘法
2.2.1 最小二乘法求解参数
2.2.2 用最小二乘法来拟合奥运会
数据
2.2.3预测比赛结果
2.3 梯度下降
2-3.1 基本思路
2.3.2梯度下降算法
2.3.3梯度下降求解线性回归问题
2.4 多变量线性回归
2.4.1 多变量线性回归问题
2.4.2 多变量梯度下降
2.4.3随机梯度下降
2.4.4 小批量梯度下降
2.4.5 正规方程
2.5 多项式回归
2.5.1 多项式回归算法
2.5.2 正则化
习题
第3章 逻辑回归
3.1 逻辑回归介绍
3.1.1 线性回归用于分类
3.1.2 假设函数
3.1.3决策边界
3.2 逻辑回归算法
3.2.1 代价函数
3.2.2 梯度下降算法
3.2.3 SciPy优化函数
……
第4章 贝叶斯分类器
第5章 模型评估与选择
第6章 K-均值算法和EM算法
第7章 决策树
第8章 神经网络
第9章 隐马尔科夫模型
0章 支持向量机
1章 推荐系统
2章 主成分分析
3章 集成学习
附录 1 符号表
附录 2 习题参考答案
参考文献