譯者序 
前言 
第1章機(jī)器學(xué)習(xí)簡介 
1.1簡介——經(jīng)典機(jī)器和自適應(yīng)的機(jī)器 
1.1.1描述性分析 
1.1.2預(yù)測性分析 
1.2關(guān)于學(xué)習(xí) 
1.2.1監(jiān)督學(xué)習(xí) 
1.2.2無監(jiān)督學(xué)習(xí) 
1.2.3半監(jiān)督學(xué)習(xí) 
1.2.4強(qiáng)化學(xué)習(xí) 
1.2.5計算神經(jīng)科學(xué) 
1.3超越機(jī)器學(xué)習(xí)——深度學(xué)習(xí)和基于生物啟發(fā)的適應(yīng)系統(tǒng) 
1.4機(jī)器學(xué)習(xí)和大數(shù)據(jù) 
1.5本章小結(jié) 
第2章機(jī)器學(xué)習(xí)的重要元素 
2.1數(shù)據(jù)格式 
2.2可學(xué)習(xí)性 
2.2.1欠擬合和過擬合 
2.2.2誤差度量和成本函數(shù) 
2.2.3PAC學(xué)習(xí) 
2.3統(tǒng)計學(xué)習(xí)方法介紹 
2.3.1最大后驗概率學(xué)習(xí) 
2.3.2最大似然學(xué)習(xí) 
2.4類平衡 
2.4.1可置換的重采樣 
2.4.2合成少數(shù)類過采樣 
2.5信息論的要素 
2.5.1熵 
2.5.2交叉熵和互信息 
2.5.3兩個概率分布的散度 
2.6本章小結(jié) 
第3章特征選擇與特征工程 
3.1scikit-learn的toy數(shù)據(jù)集 
3.2創(chuàng)建訓(xùn)練集和測試集 
3.3管理分類數(shù)據(jù) 
3.4管理缺失特征 
3.5數(shù)據(jù)縮放和歸一化 
3.6特征選擇和過濾 
3.7主成分分析 
3.7.1非負(fù)矩陣分解 
3.7.2稀疏PCA 
3.7.3核PCA 
3.8獨立成分分析 
3.9原子提取和字典學(xué)習(xí) 
3.10使用t-SNE可視化高維數(shù)據(jù)集 
3.11本章小結(jié) 
第4章回歸算法 
4.1線性模型 
4.2一個二維的例子 
4.3基于scikit-learn的線性回歸和更高維 
4.3.1決定系數(shù) 
4.3.2可解釋方差 
4.3.3回歸的解析表達(dá) 
4.4Ridge回歸、Lasso回歸和ElasticNet 
4.4.1Ridge回歸 
4.4.2Lasso回歸 
4.4.3ElasticNet 
4.5穩(wěn)健回歸 
4.5.1隨機(jī)抽樣一致算法 
4.5.2Huber回歸 
4.6貝葉斯回歸 
4.7多項式回歸 
4.8保序回歸 
4.9本章小結(jié) 
第5章線性分類算法 
5.1線性分類 
5.2邏輯回歸 
5.3實現(xiàn)和優(yōu)化 
5.4隨機(jī)梯度下降算法 
5.5被動攻擊算法 
5.6通過網(wǎng)格搜索找到最優(yōu)超參數(shù) 
5.7評估分類的指標(biāo) 
5.7.1混淆矩陣 
5.7.2精確率 
5.7.3召回率 
5.7.4F-Beta 
5.7.5Kappa系數(shù) 
5.7.6分類報告 
5.7.7學(xué)習(xí)曲線 
5.8ROC曲線 
5.9本章小結(jié) 
第6章樸素貝葉斯和判別分析 
6.1貝葉斯定理 
6.2樸素貝葉斯分類器 
6.3scikit-learn中的樸素貝葉斯 
6.3.1伯努利樸素貝葉斯 
6.3.2多項式樸素貝葉斯 
6.3.3高斯樸素貝葉斯 
6.4判別分析 
6.5本章小結(jié) 
第7章支持向量機(jī) 
7.1線性支持向量機(jī) 
7.2scikit-learn實現(xiàn) 
7.3基于內(nèi)核的分類 
7.3.1徑向基函數(shù) 
7.3.2多項式核 
7.3.3Sigmoid核 
7.3.4自定義核 
7.3.5非線性例子 
7.4受控支持向量機(jī) 
7.5支持向量回歸 
7.6半監(jiān)督支持向量機(jī)簡介 
7.7本章小結(jié) 
第8章決策樹和集成學(xué)習(xí) 
8.1二元決策樹 
8.1.1二元決策 
8.1.2不純度的衡量 
8.1.3特征重要度 
8.2基于scikit-learn的決策樹分類 
8.3決策樹回歸 
8.4集成學(xué)習(xí)簡介 
8.4.1隨機(jī)森林 
8.4.2AdaBoost 
8.4.3梯度樹提升 
8.4.4投票分類器 
8.5本章小結(jié) 
第9章聚類原理 
9.1聚類基礎(chǔ) 
9.2k-NN算法 
9.3高斯混合 
9.4k-means 
9.5基于樣本標(biāo)記的評價方法 
9.5.1同質(zhì)性 
9.5.2完整性 
9.5.3修正蘭德指數(shù) 
9.6本章小結(jié) 
第10章高級聚類 
10.1DBSCAN 
10.2譜聚類 
10.3在線聚類 
10.3.1mini-batch k-means 
10.3.2BIRCH 
10.4雙聚類 
10.5本章小結(jié) 
第11章層次聚類 
11.1分層策略 
11.2凝聚聚類 
11.2.1樹形圖 
11.2.2scikit-learn中的凝聚聚類 
11.2.3連接限制 
11.3本章小結(jié) 
第12章推薦系統(tǒng)介紹 
12.1樸素的基于用戶的系統(tǒng) 
12.2基于內(nèi)容的系統(tǒng) 
12.3無模式（或基于內(nèi)存的）協(xié)同過濾 
12.4基于模型的協(xié)同過濾 
12.4.1奇異值分解策略 
12.4.2交替最小二乘法策略 
12.4.3用Apache Spark MLlib實現(xiàn)交替最小二乘法策略 
12.5本章小結(jié) 
第13章自然語言處理簡介 
13.1NLTK和內(nèi)置語料庫 
13.2詞袋策略 
13.2.1標(biāo)記 
13.2.2停止詞的刪除 
13.2.3詞干抽取 
13.2.4向量化 
13.3詞性 
13.4示例文本分類器 
13.5本章小結(jié) 
第14章NLP中的主題建模與情感分析 
14.1主題建模 
14.1.1隱性語義分析 
14.1.2概率隱性語義分析 
14.1.3隱性狄利克雷分配 
14.2使用Gensim的Word2vec簡介 
14.3情感分析 
14.4本章小結(jié) 
第15章神經(jīng)網(wǎng)絡(luò)介紹 
15.1深度學(xué)習(xí)簡介 
15.2基于Keras的MLP 
15.3本章小結(jié) 
第16章高級深度學(xué)習(xí)模型 
16.1深層結(jié)構(gòu) 
16.2基于Keras的深度卷積網(wǎng)絡(luò)示例 
16.3基于Kears的LSTM網(wǎng)絡(luò)示例 
16.4TensorFlow簡介 
16.4.1梯度計算 
16.4.2邏輯回歸 
16.4.3用多層感知器進(jìn)行分類 
16.4.4圖像卷積 
16.5本章小結(jié) 
第17章創(chuàng)建機(jī)器學(xué)習(xí)架構(gòu) 
17.1機(jī)器學(xué)習(xí)框架 
17.1.1數(shù)據(jù)收集 
17.1.2歸一化 
17.1.3降維 
17.1.4數(shù)據(jù)擴(kuò)充 
17.1.5數(shù)據(jù)轉(zhuǎn)換 
17.1.6建模、網(wǎng)格搜索和交叉驗證 
17.1.7可視化 
17.1.8GPU支持 
17.1.9分布式架構(gòu)簡介 
17.2用于機(jī)器學(xué)習(xí)架構(gòu)的scikit-learn工具 
17.2.1管道 
17.2.2特征聯(lián)合 
17.3本章小結(jié)