scikit-learn机器学习（第2版）

第 1章　机器学习基础　1
1.1　定义机器学习　1
1.2　从经验中学习　2
1.3　机器学习任务　3
1.4　训练数据、测试数据和验证数据　4
1.5　偏差和方差　6
· · · · · · (更多)

第 1章　机器学习基础　1
1.1　定义机器学习　1
1.2　从经验中学习　2
1.3　机器学习任务　3
1.4　训练数据、测试数据和验证数据　4
1.5　偏差和方差　6
1.6　scikit-learn简介　8
1.7　安装scikit-learn　8
1.7.1　使用pip安装　9
1.7.2　在Windows系统下安装　9
1.7.3　在Ubuntu 16.04系统下安装　10
1.7.4　在Mac OS系统下安装　10
1.7.5　安装Anaconda　10
1.7.6　验证安装　10
1.8　安装pandas、Pillow、NLTK和matplotlib　11
1.9　小结　11
第 2章　简单线性回归　12
2.1　简单线性回归　12
2.1.1　用代价函数评价模型的拟合性　15
2.1.2　求解简单线性回归的OLS　17
2.2　评价模型　19
2.3　小结　21
第3章　用K-近邻算法分类和回归　22
3.1　K-近邻模型　22
3.2　惰性学习和非参数模型　23
3.3　KNN模型分类　23
3.4　KNN模型回归　31
3.5　小结　36
第4章　特征提取　37
4.1　从类别变量中提取特征　37
4.2　特征标准化　38
4.3　从文本中提取特征　39
4.3.1　词袋模型　39
4.3.2　停用词过滤　42
4.3.3　词干提取和词形还原　43
4.3.4　tf-idf权重扩展词包　45
4.3.5　空间有效特征向量化与哈希技巧　48
4.3.6　词向量　49
4.4　从图像中提取特征　52
4.4.1　从像素强度中提取特征　53
4.4.2　使用卷积神经网络激活项作为特征　54
4.5　小结　56
第5章　从简单线性回归到多元线性回归　58
5.1　多元线性回归　58
5.2　多项式回归　62
5.3　正则化　66
5.4　应用线性回归　67
5.4.1　探索数据　67
5.4.2　拟合和评估模型　69
5.5　梯度下降法　72
5.6　小结　76
第6章　从线性回归到逻辑回归　77
6.1　使用逻辑回归进行二元分类　77
6.2　垃圾邮件过滤　79
6.2.1　二元分类性能指标　81
6.2.2　准确率　82
6.2.3　精准率和召回率　83
6.2.4　计算F1值　84
6.2.5　ROC AUC　84
6.3　使用网格搜索微调模型　86
6.4　多类别分类　88
6.5　多标签分类和问题转换　93
6.6　小结　97
第7章　朴素贝叶斯　98
7.1　贝叶斯定理　98
7.2　生成模型和判别模型　100
7.3　朴素贝叶斯　100
7.4　在scikit-learn中使用朴素贝叶斯　102
7.5　小结　106
第8章　非线性分类和决策树回归　107
8.1　决策树　107
8.2　训练决策树　108
8.2.1　选择问题　109
8.2.2　基尼不纯度　116
8.3　使用scikit-learn类库创建决策树　117
8.4　小结　120
第9章　集成方法：从决策树到随机森林　121
9.1　套袋法　121
9.2　推进法　124
9.3　堆叠法　126
9.4　小结　128
第 10章　感知机　129
10.1　感知机　129
10.1.1　激活函数　130
10.1.2　感知机学习算法　131
10.1.3　使用感知机进行二元分类　132
10.1.4　使用感知机进行文档分类　138
10.2　感知机的局限性　139
10.3　小结　140
第 11章　从感知机到支持向量机　141
11.1　核与核技巧　141
11.2　最大间隔分类和支持向量　145
11.3　用scikit-learn分类字符　147
11.3.1　手写数字分类　147
11.3.2　自然图片字符分类　150
11.4　小结　152
第 12章　从感知机到人工神经网络　153
12.1　非线性决策边界　154
12.2　前馈人工神经网络和反馈人工神经网络　155
12.3　多层感知机　155
12.4　训练多层感知机　157
12.4.1　反向传播　158
12.4.2　训练一个多层感知机逼近XOR函数　162
12.4.3　训练一个多层感知机分类手写数字　164
12.5　小结　165
第 13章　K-均值算法　166
13.1　聚类　166
13.2　K-均值算法　168
13.2.1　局部最优值　172
13.2.2　用肘部法选择K值　173
13.3　评估聚类　176
13.4　图像量化　178
13.5　通过聚类学习特征　180
13.6　小结　184
第 14章　使用主成分分析降维　185
14.1　主成分分析　185
14.1.1　方差、协方差和协方差矩阵　188
14.1.2　特征向量和特征值　190
14.1.3　进行主成分分析　192
14.2　使用PCA对高维数据可视化　194
14.3　使用PCA进行面部识别　196
14.4　小结　199
· · · · · · (收起)