Python机器学习PDF电子书下载

第1章 机器学习基础 1

1.1引论 1

1.2何谓机器学习 2

1.2.1概述 2

1.2.2引例 2

1.3机器学习中的常用算法 4

1.3.1按照学习方式划分 4

1.3.2按照算法相似性划分 7

1.4本章小结 14

1.5本章习题 14

第2章 Python与数据科学 15

2.1 Python概述 15

2.2 Python与数据科学的关系 16

2.3 Python中常用的第三方库 16

2.3.1 NumPy 16

2.3.2 SciPY 17

2.3.3 Pandas 17

2.3.4 Matplotlib 18

2.3.5 Scikit－learn 18

2.4编译环境 18

2.4.1 Anaconda 19

2.4.2 Jupyter Notebook 21

2.5本章小结 23

2.6本章习题 24

第3章 线性回归算法 25

3.1算法概述 25

3.2算法流程 25

3.3算法步骤 26

3.4算法实例 30

3.5算法应用 32

3.6算法的改进与优化 34

3.7本章小结 34

3.8本章习题 34

第4章 逻辑 回归算法 37

4.1算法概述 37

4.2算法流程 38

4.3算法步骤 38

4.4算法实例 40

4.5算法应用 45

4.6算法的改进与优化 49

4.7本章小结 49

4.8本章习题 49

第5章 K最近邻算法 51

5.1算法概述 51

5.2算法流程 52

5.3算法步骤 52

5.4算法实例 53

5.5算法应用 54

5.6算法的改进与优化 57

5.7本章小结 58

5.8本章习题 58

第6章 PCA降维算法 59

6.1算法概述 59

6.2算法流程 60

6.3算法步骤 60

6.3.1内积与投影 60

6.3.2方差 62

6.3.3协方差 62

6.3.4协方差矩阵 63

6.3.5协方差矩阵对角化 63

6.4算法实例 65

6.5算法应用 67

6.6算法的改进与优化 68

6.7本章小结 68

6.8本章习题 69

第7章 k－means算法 70

7.1算法概述 70

7.2算法流程 70

7.3算法步骤 71

7.3.1距离度量 71

7.3.2算法核心思想 72

7.3.3初始聚类中心的选择 73

7.3.4簇类个数k的调整 73

7.3.5算法特点 74

7.4算法实例 75

7.5算法应用 77

7.6算法的改进与优化 81

7.7本章小结 81

7.8本章习题 82

第8章 支持向量机算法 84

8.1算法概述 84

8.2算法流程 85

8.2.1线性可分支持向量机 85

8.2.2非线性支持向量机 85

8.3算法步骤 85

8.3.1线性分类 85

8.3.2函数间隔与几何间隔 87

8.3.3对偶方法求解 88

8.3.4非线性支持向量机与核函数 90

8.4算法实例 93

8.5算法应用 95

8.6算法的改进与优化 100

8.7本章小结 101

8.8本章习题 101

第9章 AdaBoost算法 102

9.1算法概述 102

9.2算法流程 102

9.3算法步骤 103

9.4算法实例 105

9.5算法应用 106

9.6算法的改进与优化 109

9.7本章小结 110

9.8本章习题 110

第10章 决策树算法 112

10.1算法概述 112

10.2算法流程 113

10.3算法步骤 113

10.3.1两个重要概念 113

10.3.2实现步骤 115

10.4算法实例 115

10.5算法应用 118

10.6算法的改进与优化 119

10.7本章小结 120

10.8本章习题 120

第11章 高斯混合模型算法 121

11.1算法概述 121

11.2算法流程 121

11.3算法步骤 122

11.3.1构建高斯混合模型 122

11.3.2 EM算法估计模型参数 123

11.4算法实例 125

11.5算法应用 127

11.6算法的改进与优化 129

11.7本章小结 130

11.8本章习题 130

第12章 随机森林算法 132

12.1算法概述 132

12.2算法流程 133

12.3算法步骤 134

12.3.1构建数据集 134

12.3.2基于数据集构建分类器 134

12.3.3投票组合得到最终结果并分析 135

12.4算法实例 136

12.5算法应用 140

12.6算法的改进与优化 142

12.7本章小结 143

12.8本章习题 143

第13章 朴素贝叶斯算法 145

13.1算法概述 145

13.2算法流程 145

13.3算法步骤 146

13.4算法实例 148

13.5算法应用 149

13.6算法的改进与优化 151

13.7本章小结 152

13.8本章习题 152

第14章 隐马尔可夫模型算法 154

14.1算法概述 154

14.2算法流程 154

14.3算法步骤 155

14.4算法实例 156

14.5算法应用 159

14.6算法的改进与优化 165

14.7本章小结 166

14.8本章习题 166

第15章 BP神经网络算法 167

15.1算法概述 167

15.2算法流程 167

15.3算法步骤 168

15.4算法实例 170

15.5算法应用 174

15.6算法的改进与优化 176

15.7本章小结 177

15.8本章习题 177

第16章 卷积神经网络算法 179

16.1算法概述 179

16.2算法流程 179

16.3算法步骤 180

16.3.1向前传播阶段 181

16.3.2向后传播阶段 183

16.4算法实例 184

16.5算法应用 188

16.6算法的改进与优化 193

16.7本章小结 194

16.8本章习题 194

第17章 递归神经网络算法 196

17.1算法概述 196

17.2算法流程 197

17.3算法步骤 198

17.4算法实例 200

17.5算法应用 204

17.6算法的改进与优化 207

17.7本章小结 208

17.8本章习题 208

课后习题答案 210

参考文献 231