第1章
機器學習基礎1
1.1機器學習概要2
什麼是機器學習2
機器學習的種類3
機器學習的應用8
1.2機器學習的步驟9
數據的重要性9
有監督學習(分類)的例子11
無監督學習(聚類)的例子16
可視化18
圖形的種類和畫法:使用Matplotlib顯示圖形的方法22
使用pandas理解和處理數據30
本章小結36
第2章
有監督學習37
2.1算法1:線性回歸38
概述38
算法說明39
詳細說明41
2.2算法2:正則化45
概述45
算法說明48
詳細說明50
2.3算法3:邏輯回歸52
概述52
算法說明53
詳細說明55
2.4算法4:支持向量機58
概述58
算法說明59
詳細說明60
2.5算法5:支持向量機(核方法)63
概述63
算法說明64
詳細說明65
2.6算法6:樸素貝葉斯68
概述68
算法說明70
詳細說明74
2.7算法7:隨機森林76
概述76
算法說明77
詳細說明80
2.8算法8:神經網絡81
概述81
算法說明83
詳細說明86
2.9算法9:KNN88
概述88
算法說明89
詳細說明90
第3章
無監督學習93
3.1算法10:PCA94
概述94
算法說明95
詳細說明98
3.2算法11:LSA99
概述99
算法說明100
詳細說明104
3.3算法12:NMF105
概述105
算法說明106
詳細說明108
3.4算法13:LDA111
概述111
算法說明112
詳細說明114
3.5算法14:k-means算法117
概述117
算法說明117
詳細說明119
3.6算法15:混合高斯分布122
概述122
算法說明123
詳細說明126
3.7算法16:LLE127
概述127
算法說明128
詳細說明131
3.8算法17:t-SNE133
概述133
算法說明134
詳細說明136
第4章
評估方法和各種數據的處理139
4.1評估方法140
有監督學習的評估140
分類問題的評估方法140
回歸問題的評估方法148
均方誤差和決定繫數指標的不同152
與其他算法進行比較152
超參數的設置154
模型的過擬合155
防止過擬合的方法155
將數據分為訓練數據和驗證數據156
交叉驗證158
搜索超參數160
4.2文本數據的轉換處理163
基於單詞出現次數的轉換163
基於tf-idf的轉換164
應用於機器學習模型165
4.3圖像數據的轉換處理167
直接將像素信息作為數值使用167
將轉換後的向量數據作為輸入來應用機器學習模型168
第5章
環境搭建171
5.1Python 3的安裝172
Windows172
macOS172
Linux173
使用Anaconda在Windows上安裝174
5.2虛擬環境175
通過官方安裝程序安裝Python的情況175
通過Anaconda安裝Python的情況177
5.3第三方包的安裝178
什麼是第三方包178
安裝第三方包的方法178
參考文獻180