scikit-learn機(jī)器學(xué)習(xí)：Python（第2版）

第 1章　機(jī)器學(xué)習(xí)基礎(chǔ)　1
1．1　定義機(jī)器學(xué)習(xí)　1
1．2　從經(jīng)驗(yàn)中學(xué)習(xí)　2
1．3　機(jī)器學(xué)習(xí)任務(wù)　3
1．4　訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)和驗(yàn)證數(shù)據(jù)　4
1．5　偏差和方差　6
1．6　scikit-learn簡(jiǎn)介　8
1．7　安裝scikit-learn　8
1．7．1　使用pip安裝　9
1．7．2　在Windows系統(tǒng)下安裝　9
1．7．3　在Ubuntu 16．04系統(tǒng)下安裝　10
1．7．4　在Mac OS系統(tǒng)下安裝　10
1．7．5　安裝Anaconda　10
1．7．6　驗(yàn)證安裝　10
1．8　安裝pandas、Pillow、NLTK和matplotlib　11
1．9　小結(jié)　11
第 2章　簡(jiǎn)單線性回歸　12
2．1　簡(jiǎn)單線性回歸　12
2．1．1　用代價(jià)函數(shù)評(píng)價(jià)模型的擬合性　15
2．1．2　求解簡(jiǎn)單線性回歸的OLS　17
2．2　評(píng)價(jià)模型　19
2．3　小結(jié)　21
第3章　用K-近鄰算法分類和回歸　22
3．1　K-近鄰模型　22
3．2　惰性學(xué)習(xí)和非參數(shù)模型　23
3．3　KNN模型分類　23
3．4　KNN模型回歸　31
3．5　小結(jié)　36
第4章　特征提取　37
4．1　從類別變量中提取特征　37
4．2　特征標(biāo)準(zhǔn)化　38
4．3　從文本中提取特征　39
4．3．1　詞袋模型　39
4．3．2　停用詞過(guò)濾　42
4．3．3　詞干提取和詞形還原　43
4．3．4　tf-idf權(quán)重?cái)U(kuò)展詞包　45
4．3．5　空間有效特征向量化與哈希技巧　48
4．3．6　詞向量　49
4．4　從圖像中提取特征　52
4．4．1　從像素強(qiáng)度中提取特征　53
4．4．2　使用卷積神經(jīng)網(wǎng)絡(luò)激活項(xiàng)作為特征　54
4．5　小結(jié)　56
第5章　從簡(jiǎn)單線性回歸到多元線性回歸　58
5．1　多元線性回歸　58
5．2　多項(xiàng)式回歸　62
5．3　正則化　66
5．4　應(yīng)用線性回歸　67
5．4．1　探索數(shù)據(jù)　67
5．4．2　擬合和評(píng)估模型　69
5．5　梯度下降法　72
5．6　小結(jié)　76
第6章　從線性回歸到邏輯回歸　77
6．1　使用邏輯回歸進(jìn)行二元分類　77
6．2　垃圾郵件過(guò)濾　79
6．2．1　二元分類性能指標(biāo)　81
6．2．2　準(zhǔn)確率　82
6．2．3　精準(zhǔn)率和召回率　83
6．2．4　計(jì)算F1值　84
6．2．5　ROC AUC　84
6．3　使用網(wǎng)格搜索微調(diào)模型　86
6．4　多類別分類　88
6．5　多標(biāo)簽分類和問(wèn)題轉(zhuǎn)換　93
6．6　小結(jié)　97
第7章　樸素貝葉斯　98
7．1　貝葉斯定理　98
7．2　生成模型和判別模型　100
7．3　樸素貝葉斯　100
7．4　在scikit-learn中使用樸素貝葉斯　102
7．5　小結(jié)　106
第8章　非線性分類和決策樹(shù)回歸　107
8．1　決策樹(shù)　107
8．2　訓(xùn)練決策樹(shù)　108
8．2．1　選擇問(wèn)題　109
8．2．2　基尼不純度　116
8．3　使用scikit-learn類庫(kù)創(chuàng)建決策樹(shù)　117
8．4　小結(jié)　120
第9章　集成方法：從決策樹(shù)到隨機(jī)森林　121
9．1　套袋法　121
9．2　推進(jìn)法　124
9．3　堆疊法　126
9．4　小結(jié)　128
第 10章　感知機(jī)　129
10．1　感知機(jī)　129
10．1．1　激活函數(shù)　130
10．1．2　感知機(jī)學(xué)習(xí)算法　131
10．1．3　使用感知機(jī)進(jìn)行二元分類　132
10．1．4　使用感知機(jī)進(jìn)行文檔分類　138
10．2　感知機(jī)的局限性　139
10．3　小結(jié)　140
第 11章　從感知機(jī)到支持向量機(jī)　141
11．1　核與核技巧　141
11．2　最大間隔分類和支持向量　145
11．3　用scikit-learn分類字符　147
11．3．1　手寫(xiě)數(shù)字分類　147
11．3．2　自然圖片字符分類　150
11．4　小結(jié)　152
第 12章　從感知機(jī)到人工神經(jīng)網(wǎng)絡(luò)　153
12．1　非線性決策邊界　154
12．2　前饋人工神經(jīng)網(wǎng)絡(luò)和反饋人工神經(jīng)網(wǎng)絡(luò)　155
12．3　多層感知機(jī)　155
12．4　訓(xùn)練多層感知機(jī)　157
12．4．1　反向傳播　158
12．4．2　訓(xùn)練一個(gè)多層感知機(jī)逼近XOR函數(shù)　162
12．4．3　訓(xùn)練一個(gè)多層感知機(jī)分類手寫(xiě)數(shù)字　164
12．5　小結(jié)　165
第 13章　K-均值算法　166
13．1　聚類　166
13．2　K-均值算法　168
13．2．1　局部最優(yōu)值　172
13．2．2　用肘部法選擇K值　173
13．3　評(píng)估聚類　176
13．4　圖像量化　178
13．5　通過(guò)聚類學(xué)習(xí)特征　180
13．6　小結(jié)　184
第 14章　使用主成分分析降維　185
14．1　主成分分析　185
14．1．1　方差、協(xié)方差和協(xié)方差矩陣　188
14．1．2　特征向量和特征值　190
14．1．3　進(jìn)行主成分分析　192
14．2　使用PCA對(duì)高維數(shù)據(jù)可視化　194
14．3　使用PCA進(jìn)行面部識(shí)別　196
14．4　小結(jié)　199