第1章引言1
1.1機(jī)器學(xué)習(xí)概述1
1.2機(jī)器學(xué)習(xí)發(fā)展史2
1.3機(jī)器學(xué)習(xí)的類型5
1.3.1監(jiān)督學(xué)習(xí)5
1.3.2無(wú)監(jiān)督學(xué)習(xí)7
1.3.3強(qiáng)化學(xué)習(xí)8
1.4機(jī)器學(xué)習(xí)的主要概念9
1.4.1模型9
1.4.2損失函數(shù)9
1.4.3優(yōu)化算法10
1.4.4模型評(píng)估10
1.5機(jī)器學(xué)習(xí)的背景知識(shí)11
1.5.1數(shù)學(xué)基礎(chǔ)11
1.5.2編程基礎(chǔ)11
1.6機(jī)器學(xué)習(xí)的開(kāi)發(fā)流程12
1.7本書(shū)概述13
1.7.1本書(shū)結(jié)構(gòu)13
1.7.2學(xué)習(xí)路線14
習(xí)題14
參考文獻(xiàn)16
第2章數(shù)學(xué)基礎(chǔ)回顧(選修)17
2.1數(shù)學(xué)基礎(chǔ)的必要性17
2.1.1數(shù)學(xué)基礎(chǔ)概述17
2.1.2符號(hào)定義17
2.2高等數(shù)學(xué)18
2.2.1導(dǎo)數(shù)的定義18〖3〗機(jī)器學(xué)習(xí)入門基礎(chǔ)（微課版）目錄〖3〗2.2.2左右導(dǎo)數(shù)的幾何意義和物理意義18
2.2.3函數(shù)的可導(dǎo)性與連續(xù)性之間的關(guān)系19
2.2.4平面曲線的切線和法線19
2.2.5四則運(yùn)算法則19
2.2.6基本導(dǎo)數(shù)與微分表19
2.2.7復(fù)合函數(shù)、反函數(shù)、隱函數(shù)及參數(shù)方程所確定的函數(shù)的微分法20
2.2.8常用高階導(dǎo)數(shù)公式20
2.2.9微分中值定理21
2.2.10泰勒公式21
2.2.11函數(shù)單調(diào)性的判斷22
2.2.12函數(shù)凹凸性的判斷23
2.3線性代數(shù)23
2.3.1基本概念23
2.3.2矩陣乘法24
2.3.3向量向量乘法25
2.3.4矩陣向量乘法25
2.3.5矩陣矩陣乘法26
2.3.6單位矩陣和對(duì)角矩陣27
2.3.7矩陣的轉(zhuǎn)置28
2.3.8對(duì)稱矩陣28
2.3.9矩陣的跡28
2.3.10矩陣求導(dǎo)常見(jiàn)公式29
2.3.11范數(shù)29
2.3.12線性相關(guān)性和秩30
2.3.13方陣的逆31
2.3.14正交陣31
2.3.15行列式31
2.3.16二次型和半正定矩陣32
2.3.17特征值和特征向量33
2.4概率論與數(shù)理統(tǒng)計(jì)34
2.4.1概率的基本要素34
2.4.2條件概率和獨(dú)立性35
2.4.3隨機(jī)變量35
2.4.4累積分布函數(shù)36
2.4.5概率質(zhì)量函數(shù)37
2.4.6概率密度函數(shù)37
2.4.7期望38
2.4.8方差38
2.4.9一些常見(jiàn)的隨機(jī)變量39
2.4.10聯(lián)合分布和邊緣分布41
2.4.11條件概率分布41
2.4.12貝葉斯定理41
2.4.13獨(dú)立性42
2.4.14期望和協(xié)方差42
2.4.15KL散度43
2.5優(yōu)化理論43
2.5.1梯度下降法43
2.5.2牛頓法44
2.5.3拉格朗日乘子法45
習(xí)題46
參考文獻(xiàn)48
第3章機(jī)器學(xué)習(xí)庫(kù)Scikitlearn49
3.1背景知識(shí)49
3.2Scikitlearn概述50
3.3Scikitlearn主要用法51
3.3.1基本建模流程51
3.3.2數(shù)據(jù)預(yù)處理53
3.3.3監(jiān)督學(xué)習(xí)算法55
3.3.4無(wú)監(jiān)督學(xué)習(xí)算法56
3.3.5評(píng)價(jià)指標(biāo)57
3.3.6交叉驗(yàn)證及超參數(shù)調(diào)優(yōu)58
3.4Scikitlearn總結(jié)60
習(xí)題60
參考文獻(xiàn)62
第4章回歸63
4.1線性回歸63
4.1.1符號(hào)定義63
4.1.2背景知識(shí)66
4.1.3線性回歸求解66
4.2最小二乘法66
4.3梯度下降67
4.3.1批梯度下降68
4.3.2隨機(jī)梯度下降68
4.3.3小批量梯度下降69
4.3.4梯度下降的數(shù)學(xué)推導(dǎo)69
4.3.5梯度下降與最小二乘法比較70
4.4數(shù)據(jù)規(guī)范化70
4.4.1數(shù)據(jù)規(guī)范化概述70
4.4.2數(shù)據(jù)規(guī)范化的主要方式71
4.4.3數(shù)據(jù)規(guī)范化的適用范圍71
4.5正則化72
4.5.1過(guò)擬合和欠擬合72
5.5.2過(guò)擬合的處理72
4.5.3欠擬合的處理73
4.5.4正則化的主要形式73
4.6回歸的評(píng)價(jià)指標(biāo)74
習(xí)題76
參考文獻(xiàn)78
第5章邏輯回歸79
5.1分類問(wèn)題79
5.2Sigmoid函數(shù)80
5.2.1Sigmoid函數(shù)概述80
5.2.2Sigmoid函數(shù)的特點(diǎn)80
5.2.3Sigmoid函數(shù)的原理81
5.3邏輯回歸82
5.3.1邏輯回歸算法思想82
5.3.2邏輯回歸的原理82
5.4邏輯回歸算法總結(jié)85
習(xí)題86
參考文獻(xiàn)88
第6章樸素貝葉斯89
6.1貝葉斯方法89
6.1.1先驗(yàn)概率、后驗(yàn)概率、聯(lián)合分布89
6.1.2判別模型和生成模型90
6.2樸素貝葉斯原理90
6.2.1樸素貝葉斯概述90
6.2.2拉普拉斯平滑91
6.2.3樸素貝葉斯公式推導(dǎo)92
6.2.4樸素貝葉斯案例93
6.3樸素貝葉斯分類算法總結(jié)95
習(xí)題95
參考文獻(xiàn)97
第7章機(jī)器學(xué)習(xí)實(shí)踐99
7.1數(shù)據(jù)集劃分99
7.1.1訓(xùn)練集、驗(yàn)證集和測(cè)試集劃分99
7.1.2交叉驗(yàn)證100
7.1.3不平衡數(shù)據(jù)處理101
7.2評(píng)價(jià)指標(biāo)103
7.2.1回歸的評(píng)價(jià)指標(biāo)103
7.2.2分類的評(píng)價(jià)指標(biāo)103
7.2.3評(píng)價(jià)指標(biāo)案例106
7.3正則化、偏差和方差107
7.3.1欠擬合和過(guò)擬合107
7.3.2正則化107
7.3.3偏差和方差109
習(xí)題111
參考文獻(xiàn)113
第8章KNN算法115
8.1距離度量115
8.1.1歐幾里得距離115
8.1.2曼哈頓距離116
8.1.3切比雪夫距離116
8.1.4閔可夫斯基距離117
8.1.5漢明距離117
8.1.6余弦相似度118
8.2KNN算法簡(jiǎn)介119
8.2.1KNN算法概述119
8.2.2KNN算法流程120
8.3KD樹(shù)劃分120
8.3.1KD樹(shù)概述120
8.3.2KD樹(shù)劃分案例121
8.4KD樹(shù)搜索124
8.4.1KD樹(shù)搜索概述124
8.4.2KD樹(shù)搜索案例125
習(xí)題126
參考文獻(xiàn)128
第9章決策樹(shù)129
9.1決策樹(shù)原理129
9.1.1決策樹(shù)概述129
9.1.2決策樹(shù)算法思想130
9.2ID3算法130
9.2.1ID3算法概述130
9.2.2ID3劃分標(biāo)準(zhǔn)131
9.2.3ID3算法總結(jié)133
9.3C4.5算法133
9.3.1C4.5算法概述133
9.3.2C4.5劃分標(biāo)準(zhǔn)134
9.3.3C4.5剪枝處理134
9.3.4C4.5算法總結(jié)138
9.4CART算法139
9.4.1CART算法概述139
9.4.2CART分類樹(shù)139
9.4.3CART回歸樹(shù)142
9.4.4CART剪枝處理142
9.4.5CART算法總結(jié)142
9.5決策樹(shù)總結(jié)143
9.5.13種決策樹(shù)算法的差異143
9.5.2決策樹(shù)的優(yōu)缺點(diǎn)143
習(xí)題144
參考文獻(xiàn)146
第10章集成學(xué)習(xí)147
10.1集成學(xué)習(xí)概述147
10.1.1Bagging147
10.1.2Boosting148
10.1.3Stacking148
10.2隨機(jī)森林149
10.2.1隨機(jī)森林算法思想149
10.2.2隨機(jī)森林算法總結(jié)150
10.3AdaBoost算法150
10.3.1AdaBoost算法思想150
10.3.2AdaBoost算法總結(jié)152
10.4GBDT算法153
10.4.1GBDT算法思想154
10.4.2GBDT算法總結(jié)156
10.5XGBoost算法156
10.5.1XGBoost算法思想156
10.5.2XGBoost算法推導(dǎo)158
10.5.3XGBoost算法總結(jié)161
10.6LightGBM算法161
10.6.1LightGBM算法思想162
10.6.2LightGBM算法總結(jié)166
習(xí)題167
參考文獻(xiàn)169
第11章人工神經(jīng)網(wǎng)絡(luò)(選修)171
11.1人工神經(jīng)網(wǎng)絡(luò)概述171
11.2感知機(jī)模型172
11.2.1感知機(jī)模型概述172
11.2.2感知機(jī)算法流程172
11.3反向傳播算法173
11.3.1反向傳播算法概述173
11.3.2反向傳播算法流程174
11.3.3反向傳播算法總結(jié)178
習(xí)題179
參考文獻(xiàn)182
第12章支持向量機(jī)183
12.1支持向量機(jī)概述183
12.1.1算法思想183
12.1.2背景知識(shí)184
12.2線性可分支持向量機(jī)185
12.2.1算法思想185
12.2.2求解步驟186
12.3線性支持向量機(jī)188
12.3.1松弛變量188
12.3.2求解步驟188
12.4線性不可分支持向量機(jī)190
12.4.1算法思想190
12.4.2核技巧190
12.4.3常用核函數(shù)191
12.4.4支持向量機(jī)的超參數(shù)191
12.5支持向量機(jī)算法總結(jié)192
12.5.1支持向量機(jī)普遍使用的準(zhǔn)則192
12.5.2算法優(yōu)缺點(diǎn)193
習(xí)題193
參考文獻(xiàn)195
第13章聚類196
13.1聚類概述196
13.1.1無(wú)監(jiān)督學(xué)習(xí)概述196
13.1.2聚類算法思想196
13.1.3聚類的背景知識(shí)198
13.2Kmeans聚類199
13.2.1Kmeans算法思想199
13.2.2Kmeans算法總結(jié)203
13.3密度聚類204
13.3.1DBSCAN算法概述204
13.3.2DBSCAN算法思想205
13.3.3DBSCAN算法總結(jié)208
13.4層次聚類208
13.4.1層次聚類概述208
13.4.2聚合聚類209
13.4.3分裂聚類209
13.4.4層次聚類算法總結(jié)210
13.5聚類的評(píng)價(jià)指標(biāo)210
13.5.1均一性210
13.5.2完整性211
13.5.3Vmeasure211
13.5.4輪廓系數(shù)211
13.5.5調(diào)整蘭德系數(shù)212
習(xí)題212
參考文獻(xiàn)214
第14章降維215
14.1降維概述215
14.1.1維數(shù)災(zāi)難215
14.1.2降維概述215
14.2奇異值分解216
14.2.1SVD概述216
14.2.2SVD的算法思想217
14.2.3SVD的算法案例219
14.2.4SVD的一些應(yīng)用220
14.3主成分分析222
14.3.1PCA概述222
14.3.2PCA算法思想222
14.3.3PCA算法案例225
14.3.4PCA算法總結(jié)225
習(xí)題226
參考文獻(xiàn)229
第15章關(guān)聯(lián)規(guī)則230
15.1關(guān)聯(lián)規(guī)則概述230
15.2Apriori算法231
15.2.1Apriori算法概述231
15.2.2Apriori算法思想232
15.2.3Apriori算法案例232
15.2.4Apriori算法總結(jié)235
15.3FPGrowth算法235
15.3.1FPGrowth算法概述235
15.3.2FPGrowth算法思想235
15.3.3FPGrowth算法案例236
15.3.4FPGrowth算法總結(jié)240
15.4ECLAT算法240
15.4.1ECLAT算法概述240
15.4.2ECLAT算法思想241
15.4.3ECLAT算法總結(jié)241
習(xí)題242
參考文獻(xiàn)244