Python大战机器学习 数据科学家的第一个小目标PDF电子书下载

第一篇 机器学习基础篇 1

第1章 线性模型 2

1.1 概述 2

1.2 算法笔记精华 2

1.2.1 普通线性回归 2

1.2.2 广义线性模型 5

1.2.3 逻辑回归 5

1.2.4 线性判别分析 7

1.3 Python实战 10

1.3.1 线性回归模型 11

1.3.2 线性回归模型的正则化 12

1.3.3 逻辑回归 22

1.3.4 线性判别分析 26

第2章 决策树 30

2.1 概述 30

2.2 算法笔记精华 30

2.2.1 决策树原理 30

2.2.2 构建决策树的3个步骤 31

2.2.3 CART算法 37

2.2.4 连续值和缺失值的处理 42

2.3 Python实战 43

2.3.1 回归决策树（DecisionTreeRegressor） 43

2.3.2 分类决策树（DecisionTreeClassifier） 49

2.3.3 决策图 54

第3章 贝叶斯分类器 55

3.1 概述 55

3.2 算法笔记精华 55

3.2.1 贝叶斯定理 55

3.2.2 朴素贝叶斯法 56

3.3 Python实战 59

3.3.1 高斯贝叶斯分类器（GaussianNB） 61

3.3.2 多项式贝叶斯分类器（MultinomialNB） 62

3.3.3 伯努利贝叶斯分类器（BernoulliNB） 65

3.3.4 递增式学习partial_fit方法 69

第4章 k近邻法 70

4.1 概述 70

4.2 算法笔记精华 70

4.2.1 kNN三要素 70

4.2.2 k近邻算法 72

4.2.3 kd树 73

4.3 Python实践 74

第5章 数据降维 83

5.1 概述 83

5.2 算法笔记精华 83

5.2.1 维度灾难与降维 83

5.2.2 主成分分析（PCA） 84

5.2.3 SVD降维 91

5.2.4 核化线性（KPCA）降维 91

5.2.5 流形学习降维 93

5.2.6 多维缩放（MDS）降维 93

5.2.7 等度量映射（Isomap）降维 96

5.2.8 局部线性嵌入（LLE） 97

5.3 Python实战 99

5.4 小结 118

第6章 聚类和EM算法 119

6.1 概述 119

6.2 算法笔记精华 120

6.2.1 聚类的有效性指标 120

6.2.2 距离度量 122

6.2.3 原型聚类 123

6.2.4 密度聚类 126

6.2.5 层次聚类 127

6.2.6 EM算法 128

6.2.7 实际中的聚类要求 136

6.3 Python实战 137

6.3.1 K均值聚类（KMeans） 138

6.3.2 密度聚类（DBSCAN） 143

6.3.3 层次聚类（AgglomerativeClustering） 146

6.3.4 混合高斯（GaussianMixture）模型 149

6.4 小结 153

第二篇 机器学习高级篇 155

第7章 支持向量机 156

7.1 概述 156

7.2 算法笔记精华 157

7.2.1 线性可分支持向量机 157

7.2.2 线性支持向量机 162

7.2.3 非线性支持向量机 166

7.2.4 支持向量回归 167

7.2.5 SVM的优缺点 170

7.3 Python实战 170

7.3.1 线性分类SVM 171

7.3.2 非线性分类SVM 175

7.3.3 线性回归SVR 182

7.3.4 非线性回归SVR 186

第8章 人工神经网络 192

8.1 概述 192

8.2 算法笔记精华 192

8.2.1 感知机模型 192

8.2.2 感知机学习算法 194

8.2.3 神经网络 197

8.3 Python实战 205

8.3.1 感知机学习算法的原始形式 205

8.3.2 感知机学习算法的对偶形式 209

8.3.3 学习率与收敛速度 212

8.3.4 感知机与线性不可分数据集 213

8.3.5 多层神经网络 215

8.3.6 多层神经网络与线性不可分数据集 216

8.3.7 多层神经网络的应用 219

第9章 半监督学习 225

9.1 概述 225

9.2 算法笔记精华 226

9.2.1 生成式半监督学习方法 226

9.2.2 图半监督学习 228

9.3 Python实战 234

9.4 小结 243

第10章 集成学习 244

10.1 概述 244

10.2 算法笔记精华 244

10.2.1 集成学习的原理及误差 244

10.2.2 Boosting算法 246

10.2.3 AdaBoost算法 246

10.2.4 AdaBoost与加法模型 252

10.2.5 提升树 253

10.2.6 Bagging算法 256

10.2.7 误差-分歧分解 257

10.2.8 多样性增强 259

10.3 Python实战 260

10.3.1 AdaBoost 261

10.3.2 Gradient Tree Boosting 272

10.3.3 Random Forest 288

10.4 小结 298

第三篇 机器学习工程篇 299

第11章 数据预处理 300

11.1 概述 300

11.2 算法笔记精华 300

11.2.1 去除唯一属性 300

11.2.2 处理缺失值的三种方法 301

11.2.3 常见的缺失值补全方法 302

11.2.4 特征编码 307

11.2.5 数据标准化、正则化 308

11.2.6 特征选择 310

11.2.7 稀疏表示和字典学习 313

11.3 Python实践 316

11.3.1 二元化 316

11.3.2 独热码 317

11.3.3 标准化 321

11.3.4 正则化 325

11.3.5 过滤式特征选取 326

11.3.6 包裹式特征选取 330

11.3.7 嵌入式特征选取 334

11.3.8 学习器流水线（Pipeline） 339

11.3.9 字典学习 340

第12章 模型评估、选择与验证 345

12.1 概述 345

12.2 算法笔记精华 346

12.2.1 损失函数和风险函数 346

12.2.2 模型评估方法 348

12.2.3 模型评估 349

12.2.4 性能度量 350

12.2.5 偏差方差分解 356

12.3 Python实践 357

12.3.1 损失函数 357

12.3.2 数据集切分 359

12.3.3 性能度量 370

12.3.4 参数优化 387

第四篇 Kaggle实战篇 401

第13章 Kaggle牛刀小试 402

13.1 Kaggle简介 402

13.2 清洗数据 403

13.2.1 加载数据 403

13.2.2 合并数据 406

13.2.3 拆分数据 407

13.2.4 去除唯一值 408

13.2.5 数据类型转换 410

13.2.6 Data_Cleaner类 412

13.3 数据预处理 415

13.3.1 独热码编码 415

13.3.2 归一化处理 419

13.3.3 Data_Preprocesser类 421

13.4 学习曲线和验证曲线 424

13.4.1 程序说明 424

13.4.2 运行结果 430

13.5 参数优化 433

13.6 小结 435

全书符号 436