"初學者學習機器學習課程一般都會面臨兩大障礙。第一大障礙是數學基礎。機器學習要求有數學基礎，書中大量的公式是初學者的噩夢，尤其是對於已經離開大學走向工作崗位的愛好者來說，從頭開始去學習和理解數據分布和模型背後的數學原理需要花費很多的時間和精力，學習周期非常漫長。第二大障礙是編程實踐。並不是所有人都擅長編代碼，而隻有親手用代碼實現機器學習的各種算法，親眼見到算法解決了實際問題，纔能更深入理解算法。除非想做高精尖的前沿研究，理論研究和公式推導並非大多數人的專長，如果隻是想更合理地應用機器學習來解決實等

●第1章 機器學習介紹11.1 機器學習簡介21.1.1 什麼是機器學習21.1.2 機器學習與日常生活31.1.3 如何學習機器學習41.1.4 Python的優勢51.2 基本概念61.2.1 機器學習的種類61.2.2 有監督學習61.2.3 無監督學習71.2.4 機器學習的術語81.2.5 預處理91.3 Numpy數據格式101.3.1 標稱數據101.3.2 序數數據111.3.3 分類數據111.4 示例數據集121.4.1 天氣問題121.4.2 鳶尾花141.4.3 其他數據集151.5 了解你的數據16習題20第2章 線性回歸212.1 從一個實際例子說起222.1.1 模型定義232.1.2 模型假設232.1.3 模型評估242.2 最小二乘法252.2.1 最小二乘法求解參數252.2.2 用最小二乘法來擬合奧運會數據262.2.3 預測比賽結果272.3 梯度下降282.3.1 基本思路282.3.2 梯度下降算法292.3.3 梯度下降求解線性回歸問題312.4 多變量線性回歸332.4.1 多變量線性回歸問題332.4.2 多變量梯度下降352.4.3 隨機梯度下降382.4.4 小批量梯度下降412.4.5 正規方程432.5 多項式回歸452.5.1 多項式回歸算法452.5.2 正則化48習題51第3章 邏輯回歸533.1 邏輯回歸介紹543.1.1 線性回歸用於分類543.1.2 假設函數553.1.3 決策邊界563.2 邏輯回歸算法583.2.1 代價函數583.2.2 梯度下降算法593.2.3 SciPy優化函數613.2.4 多項式邏輯回歸633.3分類653.3.1 一對多653.3.2 一對一683.3.3 Softmax回歸70習題73第4章 貝葉斯分類器754.1 簡介764.1.1 概述764.1.2 判別模型和生成模型764.1.3 極大似然估計774.2 高斯判別分析804.2.1高斯分布804.2.2 高斯判別模型814.3 樸素貝葉斯844.3.1 樸素貝葉斯算法844.3.2 文本分類89習題95第5章 模型評估與選擇975.1 簡介985.1.1 訓練誤差與泛化誤差985.1.2 偏差和方差995.2 評估方法1005.2.1 訓練集、驗證集和測試集劃分1015.2.2 交叉驗證1025.3 性能度量1055.3.1 常用性能度量1055.3.2 查準率和查全率1075.3.3 ROC和AUC1085.4 偏差與方差折中1105.4.1 偏差方差診斷1115.4.2 正則化與偏差和方差1125.4.3 學習曲線113習題114第6章 K-均值算法和EM算法1176.1 聚類分析1186.1.1 K-means算法1186.1.2 K-means算法的應用1216.1.3 注意事項1226.2 EM算法1246.2.1 基本EM算法1246.2.2 EM算法的一般形式1256.2.3 混合高斯模型128習題134第7章 決策樹1377.1 決策樹介紹1387.2 ID3算法1397.2.1 信息熵1397.2.2 信息增益計算示例1397.2.3 ID3算法描述1447.2.4 ID3算法實現1467.3 C4.5算法1477.3.1 基本概念1477.3.2 剪枝處理1517.3.3 C4.5算法描述1537.3.4 C4.5算法實現1557.4 CART算法1577.4.1 CART算法介紹1577.4.2 CART算法描述1607.4.3 CART算法實現162習題163第8章 神經網絡1658.1 神經網絡介紹1668.1.1 從一個實例說起1668.1.2 1678.1.3 神經網絡結構1698.1.4 簡化的神經網絡模型1718.1.5 細節說明1758.2 神經網絡學習1768.2.1 代價函數1768.2.2 BP算法1778.2.3 BP算法實現1808.3 神經網絡實現1868.3.1 MNIST神經網絡實現1868.3.2 邏輯異或的神經網絡實現188習題189第9章 隱馬爾科夫模型1919.1 隱馬爾科夫模型基本概念1929.1.1 離散馬爾科夫過程1929.1.2 擴展至隱馬爾科夫模型1949.1.3 HMM的組成和序列生成1979.1.4 三個基本問題1999.2 求解HMM三個基本問題2009.2.1 評估問題2009.2.2 解碼問題2059.2.3 學習問題208習題214第10章 支持向量機21510.1 支持向量機介紹21610.2 優選間隔超平面21610.2.1 SVM問題的形式化描述21710.2.2 函數間隔和幾何間隔21810.2.3 很優間隔分類器21910.2.4 使用優化軟件求解SVM22110.3 對偶算法22210.3.1 SVM對偶問題22210.3.2 使用優化軟件求解對偶SVM22510.4 非線性支持向量機22610.4.1 核技巧22710.4.2 常用核函數22810.5 軟間隔支持向量機23110.5.1 動機及原問題23110.5.2 對偶問題23210.5.3 使用優化軟件求解軟間隔對偶SVM23410.6 SMO算法23610.6.1 SMO算法描述23610.6.2 簡化SMO算法實現23910.7 LibSVM24410.7.1 LibSVM的安裝24510.7.2 LibSVM函數24610.7.3 LibSVM實踐指南248習題251第11章 推薦繫統25311.1 推薦繫統介紹25411.1.1 什麼是推薦繫統25411.1.2 數據集描述25511.1.3 推薦繫統符號25611.2 基於用戶的協同過濾25611.2.1 相似性度量25711.2.2 算法描述25911.2.3 算法實現26011.3 基於物品的協同過濾26111.3.1 調整餘弦相似度和預測26111.3.2 Slope One算法描述 與實現26311.4 基於內容的協同過濾算法與實現26711.4.1 算法描述26711.4.2 算法實現270習題271第12章 主成分分析27312.1 主成分分析介紹27412.2 本征值與奇異值分解27512.2.1 本征值分解27512.2.2 奇異值分解27612.3 PCA算法描述27612.3.1 PCA算法27612.3.2 從壓縮表示中重建27812.3.3 確定主成分數量27812.4 PCA實現27912.4.1 假想實例27912.4.2 MNIST實例284習題286第13章 集成學習28913.1 集成學習介紹29013.1.1 集成學習簡介29013.1.2 個體學習器29113.1.3 集成學習的基本原理29113.1.4 融合個體學習器的方法29313.2 裝袋29413.2.1 裝袋算法描述29513.2.2 裝袋算法實現29613.3 提升29713.3.1 提升算法描述29713.3.2 AdaBoost算法實現30013.4 隨機森林30113.4.1 隨機森林算法描述30213.4.2 隨機森林算法實現303習題305附錄1 符號表306附錄2 習題參考答案307參考文獻334

《機器學習原理與Python編程實踐》講述機器學習的基本原理，使用Python和Numpy實現涉及的各種機器學習算法。通過理論學習和實踐操作，使讀者了解並掌握機器學習的基本原理和技能，拉近理論與實踐的距離。全書共分為13章，主要內容包括：機器學習介紹、線性回歸、邏輯回歸、貝葉斯分類器、模型評估與選擇、K-均值算法和EM算法、決策樹、神經網絡、隱馬爾科夫模型、支持向量機、推薦繫統、主成分分析、集成學習。全書源碼全部在Python 3.7上調試成功，每章都附有習題和習題參考答案，供讀者參考。《機器學習原理與Python編程實踐》繫統講解了機器學習的常用核心算法和Python編程實踐，內容全面、實例豐富、可操作性強，做到理論與實踐相結合。本書適合機器學習愛好者作為入門和提高的技術參考書，也適合用作計算機專業高年級本科生和研究生的教材或教學參考書。

袁梅宇 著