●章 機器學習及其數學基礎
1.1 機器學習與人工智能簡述 2
1.2 高等數學 4
1.3 線性代數 7
1.4 概率論與數理統計 14
1.5 Jensen不等式 25
1.6 本章小結 27
第2章 線性回歸
2.1 線性回歸模型 29
2.2 梯度下降算法 30
2.3 再看線性回歸 32
2.4 正則方程 34
2.5 概率解釋 35
2.6 線性回歸的Python實現 36
2.7 案例：利用線性回歸預測波士頓房價 43
2.8 本章小結 54
第3章 局部加權線性回歸
3.1 欠擬合與過擬合 56
3.2 局部加權線性回歸模型 57
3.3 局部加權線性回歸的Python實現 61
3.4 案例：再看預測波士頓房價 64
3.5 案例：利用局部加權線性回歸預測鮑魚年齡 71
3.6 本章小結 77
第4章?Logistic回歸與Softmax回歸
4.1 監督學習 80
4.2 Logistic回歸 80
4.3 廣義線性模型 84
4.4 Softmax回歸 86
4.5 Logistic回歸的Python實現 90
4.6 案例：利用Logistic回歸對乳腺癌數據集進行分類 96
4.7 Softmax回歸的Python實現 107
4.8 案例：利用Softmax回歸對語音信號數據集進行分類 116
4.9 本章小結 127
第5章 模型評估與優化
5.1 模型性能度量 130
5.2 偏差-方差平衡 134
5.3 正則化 135
5.4 交叉驗證 144
5.5 Ridge回歸的Python實現 145
5.6 案例：再看預測鮑魚年齡 153
5.7 帶L2正則化的Softmax回歸的Python實現 156
5.8 案例：再看語音信號數據集分類 161
5.9 本章小結 165
第6章 BP神經網絡
6.1 神經網絡模型 168
6.2 BP算法與梯度下降算法 171
6.3 BP神經網絡的相關改進 175
6.4 BP神經網絡的Python實現 185
6.5 案例：利用BP神經網絡對語音信號數據集進行分類 197
6.6 本章小結 215
第7章 K-Means聚類算法
7.1 無監督學習與聚類 218
7.2 K-Means聚類算法 219
7.3 K-Means聚類的Python實現 222
7.4 案例：利用K-Means算法對Iris數據集進行聚類 225
7.5 本章小結 229
第8章 高斯混合模型
8.1 EM算法 231
8.2 高斯混合模型 233
8.3 GMM與K-Means的區別與聯繫 238
8.4 聚類性能評價指標 240
8.5 GMM的Python實現 242
8.6 案例：利用GMM對葡萄酒數據集進行聚類 248
8.7 本章小結 255
第9章 主成分分析
9.1 降維技術 258
9.2 主成分分析 258
9.3 核函數 263
9.4 核主成分分析 265
9.5 PCA的Python實現 268
9.6 案例：利用PCA對葡萄酒質量數據集進行降維 271
9.7 本章小結 280
內容簡介
機器學習是一門涉及高等數學、線性代數、概率論、統計學和運籌學等領域的交叉學科。機器學習的基礎就是數學，這也就要求學習者要有良好的數學基礎。為了降低機器學習的學習門檻，本書深入淺出地對機器學習算法的數學原理進行了嚴謹的推導；並利用Python 3對各種機器學習算法進行復現，還利用介紹的算法在相應數據集上進行實戰。本書主要內容包括機器學習及其數學基礎；線性回歸、局部加權線性回歸兩種回歸算法；Logistic回歸、Softmax回歸和BP神經網絡3種分類算法；模型評估與優化；K-Means聚類算法、高斯混合模型兩種聚類算法和一種降維算法——主成分分析。《機器學習入門：基於數學原理的Python實戰》理論性與實用性兼備，既可作為初學者的入門書籍，也可作為求職者的面試寶典，更可作為職場人士轉崗的實用手冊。本書適合需要全面學習機器學習算法的初學者、希望掌握機器學習算法數學理論的程序員、想轉行從事機器學......
