思维导图备注

scikit-learn机器学习：常用算法原理及编程实战
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

版权信息

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-24 10:33:45
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 版权信息
  • 前言
  • 第1章 机器学习介绍
    • 1.1 什么是机器学习
    • 1.2 机器学习有什么用
    • 1.3 机器学习的分类
    • 1.4 机器学习应用开发的典型步骤
      • 1.4.1 数据采集和标记
      • 1.4.2 数据清洗
      • 1.4.3 特征选择
      • 1.4.4 模型选择
      • 1.4.6 模型性能评估和优化
      • 1.4.7 模型使用
    • 1.5 复习题
  • 第2章 Python机器学习软件包
    • 2.1 开发环境搭建
    • 2.2 IPython简介
      • 2.2.1 IPython基础
      • 2.2.2 IPython图形界面
    • 2.3 Numpy简介
      • 2.3.2 Numpy运算
    • 2.4 Pandas简介
      • 2.4.2 数据排序
      • 2.4.3 数据访问
      • 2.4.4 时间序列
      • 2.4.5 数据可视化
      • 2.4.6 文件读写
    • 2.5 Matplotlib简介
      • 2.5.1 图形样式
      • 2.5.2 图形对象
      • 2.5.3 画图操作
    • 2.6 scikit-learn简介
      • 2.6.1 scikit-learn示例
      • 2.6.2 scikit-learn一般性原理和通用规则
    • 2.7 复习题
    • 2.8 拓展学习资源
  • 第3章 机器学习理论基础
    • 3.1 过拟合和欠拟合
    • 3.2 成本函数
    • 3.3 模型准确性
      • 3.3.1 模型性能的不同表述方式
      • 3.3.2 交叉验证数据集
    • 3.4 学习曲线
      • 3.4.1 实例：画出学习曲线
      • 3.4.2 过拟合和欠拟合的特征
    • 3.5 算法模型性能优化
    • 3.6 查准率和召回率
    • 3.7 F1 Score
    • 3.8 复习题
  • 第4章 k-近邻算法
    • 4.1 算法原理
      • 4.1.1 算法优缺点
      • 4.1.2 算法参数
    • 4.2 示例：使用k-近邻算法进行分类
    • 4.3 示例：使用k-近邻算法进行回归拟合
    • 4.4 实例：糖尿病预测
      • 4.4.1 加载数据
      • 4.4.2 模型比较
      • 4.4.3 模型训练及分析
      • 4.4.4 特征选择及数据可视化
    • 4.5 拓展阅读
      • 4.5.2 相关性测试
    • 4.6 复习题
  • 第5章 线性回归算法
    • 5.1 算法原理
      • 5.1.2 成本函数
      • 5.1.3 梯度下降算法
    • 5.2 多变量线性回归算法
      • 5.2.2 成本函数
      • 5.2.3 梯度下降算法
    • 5.3 模型优化
      • 5.3.2 数据归一化
    • 5.4 示例：使用线性回归算法拟合正弦函数
    • 5.5 示例：测算房价
      • 5.5.2 模型训练
      • 5.5.3 模型优化
      • 5.5.4 学习曲线
    • 5.6 拓展阅读
      • 5.6.2 随机梯度下降算法
      • 5.6.3 标准方程
    • 5.7 复习题
  • 第6章 逻辑回归算法
    • 6.1 算法原理
      • 6.1.1 预测函数
      • 6.1.2 判定边界
      • 6.1.3 成本函数
      • 6.1.4 梯度下降算法
    • 6.2 多元分类
    • 6.3 正则化
      • 6.3.1 线性回归模型正则化
      • 6.3.2 逻辑回归模型正则化
    • 6.4 算法参数
    • 6.5 实例：乳腺癌检测
      • 6.5.1 数据采集及特征提取
      • 6.5.2 模型训练
      • 6.5.3 模型优化
      • 6.5.4 学习曲线
    • 6.6 拓展阅读
    • 6.7 复习题
  • 第7章 决策树
    • 7.1 算法原理
      • 7.1.1 信息增益
      • 7.1.2 决策树的创建
      • 7.1.3 剪枝算法
    • 7.2 算法参数
    • 7.3 实例：预测泰坦尼克号幸存者
      • 7.3.1 数据分析
      • 7.3.2 模型训练
      • 7.3.3 优化模型参数
      • 7.3.4 模型参数选择工具包
    • 7.4 拓展阅读
      • 7.4.2 决策树的构建算法
    • 7.5 集合算法
      • 7.5.1 自助聚合算法Bagging
      • 7.5.2 正向激励算法boosting
      • 7.5.3 随机森林
      • 7.5.4 ExtraTrees算法
    • 7.6 复习题
  • 第8章 支持向量机
    • 8.1 算法原理
      • 8.1.2 松弛系数
    • 8.2 核函数
      • 8.2.2 相似性函数
      • 8.2.3 常用的核函数
      • 8.2.4 核函数的对比
    • 8.3 scikit-learn里的SVM
    • 8.4 实例：乳腺癌检测
    • 8.5 复习题
  • 第9章 朴素贝叶斯算法
    • 9.1 算法原理
      • 9.1.2 朴素贝叶斯分类法
    • 9.2 一个简单的例子
    • 9.3 概率分布
      • 9.3.1 概率统计的基本概念
      • 9.3.2 多项式分布
      • 9.3.3 高斯分布
    • 9.4 连续值的处理
    • 9.5 实例：文档分类
      • 9.5.1 获取数据集
      • 9.5.2 文档的数学表达
      • 9.5.3 模型训练
      • 9.5.4 模型评价
    • 9.6 复习题
  • 第10章 PCA算法
    • 10.1 算法原理
      • 10.1.1 数据归一化和缩放
      • 10.1.2 计算协方差矩阵的特征向量
      • 10.1.3 数据降维和恢复
    • 10.2 PCA算法示例
      • 10.2.1 使用Numpy模拟PCA计算过程
      • 10.2.2 使用sklearn进行PCA降维运算
      • 10.2.3 PCA的物理含义
    • 10.3 PCA的数据还原率及应用
      • 10.3.2 加快监督机器学习算法的运算速度
    • 10.4 实例：人脸识别
      • 10.4.1 加载数据集
      • 10.4.2 一次失败的尝试
      • 10.4.3 使用PCA来处理数据集
      • 10.4.4 最终结果
    • 10.5 拓展阅读
    • 10.6 复习题
  • 第11章 k-均值算法
    • 11.1 算法原理
      • 11.1.1 k-均值算法成本函数
      • 11.1.2 随机初始化聚类中心点
      • 11.1.3 选择聚类的个数
    • 11.2 scikit-learn里的k-均值算法
    • 11.3 使用k-均值对文档进行聚类分析
      • 11.3.2 加载数据集
      • 11.3.3 文本聚类分析
    • 11.4 聚类算法性能评估
      • 11.4.1 Adjust Rand Index
      • 11.4.2 齐次性和完整性
      • 11.4.3 轮廓系数
    • 11.5 复习题
  • 后记
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《scikit-learn机器学习：常用算法原理及编程实战》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度