"詳細闡述數學模型的理論基礎和算法原理使用Python編程和基於Numpy的算法實現，代碼注釋詳盡通過項目實戰深入體驗算法的應用場景及其使用中需注意的問題"

●第1章 線性回歸11.1 線性回歸模型11.2 最小二乘法21.3 梯度下降41.3.1 梯度下降算法41.3.2 隨機梯度下降和小批量梯度下降61.4 算法實現71.4.1 最小二乘法71.4.2 梯度下降91.5 項目實戰121.5.1 準備數據121.5.2 模型訓練與測試13第2章 Logistic回歸與Softmax回歸202.1 Logistic回歸202.1.1 線性模型202.1.2 logistic函數212.1.3 Logistic回歸模型232.1.4 極大似然法估計參數242.1.5 梯度下降更新公式252.2 Softmax回歸262.2.1 Softmax函數262.2.2 Softmax回歸模型272.2.3 梯度下降更新公式272.3 編碼實現282.3.1 Logistic回歸282.3.2 Softmax回歸322.4 項目實戰362.4.1 Logistic回歸362.4.2 Softmax回歸43第3章 決策樹——分類樹463.1 決策樹模型463.2 生成決策樹483.3 切分特征的選擇493.3.1 信息熵493.3.2 條件信息熵503.3.3 信息增益513.3.4 信息增益比533.4 算法實現533.5 繪制決策樹573.6 項目實戰643.6.1 準備數據643.6.2 模型訓練與測試66第4章 決策樹——分類回歸樹704.1 CART算法的改進704.2 處理連續值特征714.3 CART分類樹與回歸樹724.3.1 CART分類樹724.3.2 CART回歸樹744.4 算法實現754.4.1 CART分類樹754.4.2 CART回歸樹804.5 項目實戰854.5.1 CART分類樹854.5.2 CART回歸樹89第5章 樸素貝葉斯955.1 樸素貝葉斯模型955.1.1 貝葉斯公式955.1.2 貝葉斯分類器975.1.3 樸素貝葉斯分類器975.2 模型參數估計985.2.1 極大似然估計985.2.2 貝葉斯估計1025.3 算法實現1035.4 項目實戰1055.4.1 準備數據1065.4.2 模型訓練與測試108第6章 支持向量機1106.1 線性可分支持向量機1106.1.1 分離超平面1106.1.2 間隔優選化1126.1.3 拉格朗日對偶法1136.1.4 分類決策函數1166.1.5 線性可分支持向量機算法1176.2 線性支持向量機1186.2.1 軟間隔優選化1186.2.2 線性支持向量機算法1216.3 非線性支持向量機1226.3.1 空間變換1226.3.2 核技巧1236.3.3 非線性支持向量機算法1246.4 SMO算法1256.4.1 兩個變量很優化問題的求解1266.4.2 變量選擇1296.4.3 更新b1316.4.4 更新E緩存1326.5 算法實現1336.6 項目實戰1396.6.1 準備數據1406.6.2 模型訓練與測試141第7章 k近鄰學習1457.1 kNN學習1457.1.1 kNN學習模型1457.1.2 距離的度量1467.1.3 k值的選擇1497.2 kNN的一種實現：k-d樹1507.2.1 構造k-d樹1507.2.2 搜 -d樹1537.3 算法實現1557.3.1 線性掃描版本1557.3.2 k-d樹版本1577.4 項目實戰1617.4.1 準備數據1627.4.2 模型訓練與測試163第8章 K-Means1678.1 K-Means1678.1.1 距離的度量1688.1.2 聚類算法的性能1698.1.3 K-Means算法1718.2 K-Means++1728.3 算法實現1738.3.1 K-Means1738.3.2 K-Means++1768.4 項目實戰1798.4.1 準備數據1808.4.2 模型訓練與測試181第9章 人工神經網絡1849.1 神經網絡1849.1.1 人1849.1.2 神經網絡1879.2 反向傳播算法1889.2.1 輸出節點的權值更新1899.2.2 隱藏節點的權值更新1909.3 算法實現1929.3.1 神經網絡分類器1929.3.2 神經網絡回歸器1969.4 項目實戰2029.4.1 準備數據2039.4.2 模型訓練與測試206

本書用平實的語言深入淺出地介紹當前熱門的機器學習經典算法，包括線性回歸、Logistic回歸與Softmax回歸、決策樹（分類與回歸）、樸素貝葉斯、支持向量機、K近鄰學習、K-Means和人工神經網絡，針對每一個算法首先介紹數學模型及原理，然後根據模型和算法描述使用Python編程和Numpy庫進行算法實現，最後通過案例讓讀者進一步體會算法的應用場景以及應用時所需注意的問題。本書適合準備進入人工智能和數據分析與挖掘領域的初學者，對機器學習算法感興趣的愛好者、程序員、大學生和各類IT培訓班的學員使用。

劉碩著 著

近年來，機器學習技術已經滲透到我們日常生活的各個方面，比如網上購物時的商品推薦、瀏覽網頁時的廣告推送、手機拍照後的圖像處理、電子郵箱中的垃圾郵件過濾、停車場出入口的車牌識別、各種遊戲中的機器人玩家以及汽車廠商正在研發的無人駕駛等，機器學習技術的應用隨處可見，並且它的發展極其迅猛，在更多領域令人興奮（或恐懼）的應用已被研發出來或正在研發中。尤瓦爾?赫拉利在其暢銷書《未來簡史》中表明了一個觀點：未來的世界由機器學習算法掌控。當了解到像谷歌、蘋果、亞馬遜、IBM這樣的大公司投入巨資用於機器學習的理論和應用研究，並且時不時就聽到AI在某領域把人類打得一敗塗地的新聞時，或許我們就不會認為赫拉利的觀點是離譜的異端邪說，或出於好奇，或出於恐懼，或出於實際的目的，我們都應有充足的動力學習機器學習。市面上機器學習的書已經很多了，大體上分為兩類：一類是偏重機器學習理論的書，這種類型的書，算法理論部分大等