Python機器學(xué)習(xí)實戰(zhàn)

第1章機器學(xué)習(xí)概述
資源下載
1.1機器學(xué)習(xí)的組成
1.2分類問題及回歸問題
1.3監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)
1.4生成模型及判別模型
1.5模型評估
1.5.1訓(xùn)練誤差及泛化誤差
1.5.2過擬合及欠擬合
1.6正則化
1.7Scikitlearn模塊
1.7.1數(shù)據(jù)集
1.7.2模型選擇
第2章邏輯回歸及熵模型
2.1線性回歸
2.1.1一元線性回歸
2.1.2多元線性回歸
2.2廣義線性回歸
2.2.1邏輯回歸
2.2.2多分類邏輯回歸
2.2.3交叉熵?fù)p失函數(shù)
2.3熵模型
2.3.1熵模型的導(dǎo)出
2.3.2熵模型與邏輯回歸之間的關(guān)系
2.4評價指標(biāo)
2.4.1混淆矩陣
2.4.2準(zhǔn)確率
2.4.3精確率與召回率
2.4.4PR曲線
2.4.5ROC曲線與AUC曲線
2.5實例： 基于邏輯回歸實現(xiàn)乳腺癌預(yù)測
第3章k近鄰算法
3.1k值的選取
3.2距離的度量
3.3快速檢索 
3.4實例： 基于k近鄰算法實現(xiàn)鳶尾花分類
第4章決策樹
4.1特征選擇
4.1.1信息增益
4.1.2信息增益比
 
 
4.2決策樹生成算法CART
4.3決策樹剪枝
4.3.1預(yù)剪枝
4.3.2后剪枝
4.4實例： 基于決策樹實現(xiàn)葡萄酒分類
第5章樸素貝葉斯分類器
5.1極大似然估計
5.2樸素貝葉斯分類
5.3拉普拉斯平滑
5.4樸素貝葉斯分類器的極大似然估計解釋
5.5實例： 基于樸素貝葉斯實現(xiàn)垃圾短信分類
第6章支持向量機
6.1間隔及超平面
6.2線性可分支持向量機
6.3線性支持向量機
6.4合頁損失函數(shù)
6.5核技巧
6.6二分類問題與多分類問題
6.6.1一對一
6.6.2一對多
6.6.3多對多
6.7實例： 基于支持向量機實現(xiàn)葡萄酒分類
第7章集成學(xué)習(xí)
7.1偏差與方差
7.2Bagging及隨機森林
7.2.1Bagging
7.2.2隨機森林
7.3Boosting及AdaBoost
7.3.1Boosting
7.3.2AdaBoost
7.4提升樹
7.4.1殘差提升樹
7.4.2GBDT
7.4.3XGBoost
7.5Stacking
7.6實例: 基于梯度下降樹實現(xiàn)波士頓房價預(yù)測
第8章EM算法及其應(yīng)用
8.1Jensen不等式
8.2EM算法
8.3高斯混合模型GMM
8.4隱馬爾可夫模型
8.4.1計算觀測概率的輸出
8.4.2估計隱馬爾可夫模型的參數(shù)
8.4.3隱變量序列預(yù)測
8.5實例： 基于高斯混合模型實現(xiàn)鳶尾花分類
第9章降維
9.1主成分分析
9.1.1方差即協(xié)方差的無偏估計
9.1.2實例： 基于主成分分析實現(xiàn)鳶尾花數(shù)據(jù)降維
9.2奇異值分解
9.2.1奇異值分解的構(gòu)造
9.2.2奇異值分解用于數(shù)據(jù)壓縮
9.2.3SVD與PCA的關(guān)系
9.2.4奇異值分解的幾何解釋
9.2.5實例： 基于奇異值分解實現(xiàn)圖片壓縮
第10章聚類
10.1距離度量
10.1.1閔可夫斯基距離
10.1.2余弦相似度
10.1.3馬氏距離
10.1.4漢明距離
10.2層次聚類
10.3KMeans聚類
10.4KMedoids聚類
10.5DBSCAN
10.6實例： 基于KMeans實現(xiàn)鳶花聚類
第11章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
11.1神經(jīng)元模型
11.2多層感知機
11.3損失函數(shù)
11.4反向傳播算法
11.4.1梯度下降法
11.4.2梯度消失及梯度爆炸
11.5卷積神經(jīng)網(wǎng)絡(luò)
11.5.1卷積
11.5.2池化
11.5.3網(wǎng)絡(luò)架構(gòu)
11.6循環(huán)神經(jīng)網(wǎng)絡(luò)
11.7生成對抗網(wǎng)絡(luò)
11.8圖卷積神經(jīng)網(wǎng)絡(luò)
11.9深度學(xué)習(xí)發(fā)展
11.10實例： 基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)手寫數(shù)字識別
11.10.1MNIST數(shù)據(jù)集
11.10.2基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別
第12章實戰(zhàn)： 基于KMeans算法的汽車行駛運動學(xué)片段的分類
12.1樣本聚類
12.1.1SSE
12.1.2輪廓分析
12.2汽車行駛運動學(xué)片段的提取
12.3基于KMeans的汽車行駛運動學(xué)片段分類
第13章實戰(zhàn)： 從零實現(xiàn)樸素貝葉斯分類器用于垃圾信息識別
13.1算法流程
13.2數(shù)據(jù)集載入
13.3樸素貝葉斯模型
13.3.1構(gòu)造函數(shù)設(shè)計
13.3.2數(shù)據(jù)預(yù)處理
13.3.3模型訓(xùn)練
13.3.4測試集預(yù)測
13.3.5主函數(shù)實現(xiàn)
第14章實戰(zhàn)： 基于邏輯回歸算法進行乳腺癌的識別
14.1數(shù)據(jù)集加載
14.2Logistic模塊
14.3模型評價
第15章實戰(zhàn)： 基于線性回歸、決策樹和SVM進行鳶尾花分類
15.1使用Logistic實現(xiàn)鳶尾花分類
15.2使用決策樹實現(xiàn)鳶尾花分類
15.3使用SVM實現(xiàn)鳶尾花分類
第16章實戰(zhàn)： 基于多層感知機模型和隨機森林模型的波士頓房價預(yù)測
16.1使用MLP實現(xiàn)波士頓房價預(yù)測
16.2使用隨機森林模型實現(xiàn)波士頓房價預(yù)測
第17章實戰(zhàn)： 基于生成式對抗網(wǎng)絡(luò)生成動漫人物
17.1生成動漫人物任務(wù)概述
17.2反卷積網(wǎng)絡(luò)
17.3DCGAN
17.4基于DCGAN的動漫人物生成
第18章實戰(zhàn)： 基于主成分分析法、隨機森林算法和SVM算法的人臉識別問題
18.1數(shù)據(jù)集介紹與分析
18.2LBP算子
18.3提取圖片特征
18.4基于隨機森林算法的人臉識別問題
18.5基于SVM算法的人臉識別問題
第19章實戰(zhàn)： 使用多種機器學(xué)習(xí)算法實現(xiàn)基于用戶行為數(shù)據(jù)的用戶分類器
19.1基于機器學(xué)習(xí)的分類器的技術(shù)概述
19.2工程數(shù)據(jù)的提取聚合和存儲
19.2.1數(shù)據(jù)整合的邏輯流程
19.2.2Sqoop數(shù)據(jù)同步
19.2.3基于Hive的數(shù)據(jù)倉庫
19.2.4基于Azkaban的數(shù)據(jù)倉庫的調(diào)度任務(wù)
19.2.5數(shù)據(jù)倉庫的數(shù)據(jù)集成和數(shù)據(jù)清洗
19.2.6整合后的數(shù)據(jù)表
19.3數(shù)據(jù)展示和分析
19.3.1數(shù)據(jù)集的選取和業(yè)務(wù)背景的描述
19.3.2各維度信息詳細(xì)說明
19.3.3各維度數(shù)據(jù)的描述性統(tǒng)計
19.3.4各維度數(shù)據(jù)的可視化
19.4特征工程
19.4.1標(biāo)準(zhǔn)化
19.4.2區(qū)間縮放
19.4.3歸一化
19.4.4對定性特征進行onehot編碼
19.4.5缺失值填補
19.4.6數(shù)據(jù)傾斜
19.5模型訓(xùn)練和結(jié)果評價
19.5.1構(gòu)造模型思路 
19.5.2模型訓(xùn)練的流程
19.5.3KFold交叉驗證
19.6各分類器模型的訓(xùn)練和結(jié)果評價
19.6.1利用Python的sklearn包進行模型訓(xùn)練的過程梳理
19.6.2邏輯斯諦分類模型的訓(xùn)練和結(jié)果評價
19.6.3小近鄰算法模型的訓(xùn)練和結(jié)果評價
19.6.4線性判別分析模型的訓(xùn)練和結(jié)果評價
19.6.5樸素貝葉斯算法的模型的訓(xùn)練和結(jié)果評價
19.6.6決策樹模型的訓(xùn)練和結(jié)果評價
19.6.7支持向量機模型的訓(xùn)練和結(jié)果評價
19.7模型提升——集成分類器
19.7.1Boosting提升算法
19.7.2AdaBoost提升算法
19.7.3AdaBoost實現(xiàn)過程及實驗結(jié)果
附錄A用戶歷史充值情況數(shù)據(jù)表
附錄B用戶各類訂單余額情況
附錄C各省用戶收到公示消息后的充值情況
參考文獻