機器學習（Python+sklearn+TensorFlow 2.0）-微課視頻版

源碼資源
下載
目錄

第1章緒論
1.1機器學習是什麽
1.2機器學習算法
1.2.1機器學習算法分類
1.2.2機器學習算法的術語
1.3本書的學習之路
1.4編程環境及工具包

第2章聚類
2.1k均值聚類算法及應用示例
2.1.1算法及實現
2.1.2在手機機主身份識別中的應用示例
2.1.3進一步討論
2.1.4改進算法
2.2聚類算法基礎
2.2.1聚類任務
2.2.2樣本點常用距離度量
2.2.3聚類算法評價指標
2.2.4聚類算法分類
2.3DBSCAN及其派生算法
2.3.1相關概念及算法流程
2.3.2鄰域參數ε和MinPts的確定
2.3.3OPTICS算法
2.4AGNES算法
2.4.1簇之間的距離度量
2.4.2算法流程
2.5練習題

第3章回歸
3.1回歸任務、評價與線性回歸模型
3.1.1回歸任務
3.1.2線性回歸模型與回歸評價指標
3.1.3最小二乘法求解線性回歸模型
3.2機器學習中的最優化方法
3.2.1最優化模型
3.2.2迭代法
3.2.3梯度下降法
3.2.4全局最優與凸優化
3.2.5牛頓法
3.3多項式回歸
3.4過擬合與泛化
3.4.1欠擬合、過擬合與泛化能力
3.4.2泛化能力評估方法
3.4.3過擬合抑制
3.5向量相關性與嶺回歸
3.5.1向量的相關性
3.5.2嶺回歸算法
3.6局部回歸
3.6.1局部加權線性回歸
3.6.2K近鄰法
3.7練習題

第4章分類
4.1決策樹、隨機森林及其應用
4.1.1決策樹分類算法
4.1.2隨機森林算法
4.1.3在O2O優惠券使用預測示例中的應用
4.1.4進一步討論
4.1.5回歸樹
4.2分類算法基礎
4.2.1分類任務
4.2.2分類模型的評價指標
4.3邏輯回歸
4.3.1平面上二分類的線性邏輯回歸
4.3.2邏輯回歸模型
4.3.3多分類邏輯回歸
4.4Softmax回歸
4.4.1Softmax函數
4.4.2Softmax回歸模型
4.4.3進一步討論
4.5集成學習與類別不平衡問題
4.5.1裝袋方法及應用
4.5.2提升方法及應用
4.5.3投票方法及應用
4.5.4類別不平衡問題
4.6練習題

第5章特徵工程、降維與超參數調優
5.1特徵工程
5.1.1數據總體分析
5.1.2數據可視化
5.1.3數據預處理
5.2線性降維
5.2.1奇異值分解
5.2.2主成分分析
5.3超參數調優
5.3.1網格搜索
5.3.2隨機搜索
5.4練習題

第6章概率模型與標註
6.1概率模型
6.1.1分類、聚類和標註任務的概率模型
6.1.2生成模型和判別模型
6.1.3概率模型的簡化假定
6.2邏輯回歸模型的概率分析
6.3樸素貝葉斯分類
6.3.1條件概率估計難題
6.3.2特徵條件獨立假定
6.3.3樸素貝葉斯法的算法流程及示例
6.3.4樸素貝葉斯分類器
6.4EM算法與高斯混合聚類
6.4.1EM算法示例
6.4.2EM算法及其流程
6.4.3高斯混合聚類
6.5隱馬爾可夫模型
6.5.1馬爾可夫鏈
6.5.2隱馬爾可夫模型及示例
6.5.3前向後向算法
6.5.4維特比算法
6.6條件隨機場模型
6.7練習題

第7章神經網絡
7.1神經網絡模型
7.1.1神經元
7.1.2神經網絡
7.1.3分類、聚類、回歸、標註任務的神經網絡模型
7.2多層神經網絡
7.2.1三層感知機的誤差反向傳播學習示例
7.2.2誤差反向傳播學習算法
7.2.3多層神經網絡常用損失函數
7.2.4多層神經網絡常用優化算法
7.2.5多層神經網絡中過擬合的抑制
7.2.6進一步討論
7.3競爭學習和自組織特徵映射網絡
7.3.1競爭學習
7.3.2自組織特徵映射網絡的結構與學習
7.4練習題

第8章深度學習
8.1概述
8.2捲積神經網絡
8.2.1捲積神經網絡示例
8.2.2捲積層
8.2.3池化層和Flatten層
8.2.4批標準化層
8.2.5典型捲積神經網絡
8.3循環神經網絡
8.3.1基本單元
8.3.2網絡結構
8.3.3長短時記憶網絡
8.3.4雙向循環神經網絡和深度循環神經網絡
8.3.5序列標註示例
8.4練習題
參考文獻