第一篇 传统机器学习__eol____eol__第1章 机器学习概述 2__eol__1.1 机器学习概念 2__eol__1.1.1 什么是机器学习 2__eol__1.1.2 机器学习有什么用 2__eol__1.1.3 机器学习的分类 3__eol__1.2 机器学习理论基础 9__eol__1.2.1 过拟合和欠拟合 9__eol__1.2.2 损失函数 9__eol__1.2.3 模型性能度量方法 11__eol__1.2.4 学习曲线 14__eol__1.2.5 算法模型性能优化 17__eol__1.3 scikit-learn简介 21__eol__1.3.1 关于scikit-learn 21__eol__1.3.2 安装scikit-learn 21__eol__1.3.3 scikit-learn数据集 21__eol__习题 27__eol__参考文献 30__eol__第2章 回归分析 31__eol__2.1 一元线性回归 31__eol__2.1.1 一元线性回归的实现 31__eol__2.1.2 解一元线性回归的__eol__最小二乘法 34__eol__2.1.3 模型评估 35__eol__2.2 多元线性回归 36__eol__2.3 多项式回归 36__eol__习题 41__eol__参考文献 42__eol__第3章 Logistic回归 43__eol__3.1 分类问题概述 43__eol__3.2 Logistic回归分类 44__eol__3.2.1 Logistic回归算法的原理 44__eol__3.2.2 Logistic回归算法实例 48__eol__3.3 Softmax回归——多元分类__eol__问题 55__eol__习题 58__eol__参考文献 59__eol__第4章 k近邻 60__eol__4.1 k近邻算法原理 60__eol__4.1.1 KNN算法三要素 60__eol__4.1.2 KNN算法之蛮力实现__eol__原理 61__eol__4.1.3 KNN算法之KD树实现__eol__原理 62__eol__4.1.4 KNN算法之球树实现__eol__原理 64__eol__4.1.5 KNN算法的扩展 66__eol__4.1.6 KNN算法小结 66__eol__4.2 用scikit-learn实现KNN__eol__算法 67__eol__习题 72__eol__参考文献 72__eol__第5章 决策树 73__eol__5.1 决策树分类原理 74__eol__5.2 决策树的学习过程 74__eol__5.3 ID3算法的数学原理 75__eol__5.3.1 什么是信息增益 75__eol__5.3.2 ID3树中最优划分属性计算__eol__举例 76__eol__5.4 scikit-learn决策树算法实现 78__eol__5.5 决策树可视化 80__eol__习题 83__eol__参考文献 84__eol__第6章 朴素贝叶斯 85__eol__6.1 基本原理 85__eol__6.1.1 贝叶斯定理 85__eol__6.1.2 朴素贝叶斯分类器 86__eol__6.2 朴素贝叶斯三种基本模型 88__eol__6.3 朴素贝叶斯的应用及特点 90__eol__6.3.1 朴素贝叶斯常见的四种__eol__应用 90__eol__6.3.2 朴素贝叶斯的优缺点 90__eol__6.3.3 提升朴素贝叶斯性能的__eol__技巧 91__eol__习题 93__eol__参考文献 94__eol__第7章 支持向量机 95__eol__7.1 支持向量机原理 95__eol__7.1.1 支持向量机定义 95__eol__7.1.2 线性可分性 95__eol__7.1.3 损失函数 96__eol__7.1.4 经验风险与结构风险 97__eol__7.2 标准算法 99__eol__7.2.1 线性SVM 99__eol__7.2.2 非线性SVM 100__eol__7.3 scikit-learn SVM分类算法__eol__实现 101__eol__7.3.1 算法简单实现 101__eol__7.3.2 算法的优化 102__eol__习题 106__eol__参考文献 107__eol__第8章 神经网络 108__eol__8.1 神经网络概述 108__eol__8.1.1 神经元模型 108__eol__8.1.2 感知机 109__eol__8.1.3 神经网络 110__eol__8.1.4 梯度下降法与反向传播 112__eol__8.2 scikit-learn神经网络分类算法__eol__实现 118__eol__习题 122__eol__参考文献 123__eol__第9章 聚类 124__eol__9.1 聚类概述 124__eol__9.1.1 K-Means聚类算法 124__eol__9.1.2 均值漂移聚类 127__eol__9.1.3 基于密度的聚类方法__eol__（DBSCAN） 130__eol__9.1.4 基于高斯混合模型（GMM）的__eol__期望最大化（EM）聚类 132__eol__9.1.5 凝聚层次聚类 133__eol__9.2 scikit-learn聚类算法的实现 136__eol__习题 142__eol__参考文献 144__eol__第10章 降维 145__eol__10.1 降维方法概述 145__eol__10.1.1 主成分分析（PCA） 145__eol__10.1.2 线性判别分析（LDA） 148__eol__10.1.3 局部线性嵌入（LLE） 150__eol__10.1.4 拉普拉斯特征映射__eol__?（LE） 151__eol__10.2 scikit-learn降维算法实现 152__eol__习题 157__eol__参考文献 158__eol____eol__第二篇 深度学习__eol____eol__第11章 深度学习概述 161__eol__11.1 深度学习的概念 161__eol__11.2 深度学习的分类及特点 163__eol__11.2.1 深度学习的分类 163__eol__11.2.2 深度学习的特点 164__eol__11.3 深度学习的历史及发展 164__eol__11.4 深度学习的应用 165__eol__11.5 Keras简介 166__eol__11.5.1 Keras深度学习库 166__eol__11.5.2 Keras安装 168__eol__11.5.3 Keras举例 168__eol__习题 169__eol__参考文献 170__eol__第12章 卷积神经网络 171__eol__12.1 卷积与池化操作 172__eol__12.1.1 卷积层 172__eol__12.1.2 池化层 174__eol__12.2 典型的CNN架构 175__eol__12.2.1 LeNet-5 176__eol__12.2.2 AlexNet 176__eol__12.2.3 GoogLeNet 178__eol__12.2.4 ResNet 180__eol__12.3 使用Keras搭建卷积神经__eol__ 网络 182__eol__习题 185__eol__参考文献 185__eol__第13章 循环神经网络 186__eol__13.1 RNN 186__eol__13.2 LSTM 190__eol__13.3 循环神经网络案例 191__eol__习题 195__eol__参考文献 195__eol__第14章 生成对抗网络 196__eol__14.1 生成对抗网络结构 196__eol__14.1.1 生成对抗网络模型原理 197__eol__14.1.2 生成对抗网络优化原理 198__eol__14.1.3 模型训练 199__eol____eol__14.1.4 对抗网络的改进模型 200__eol__14.2 生成对抗网络的构建 201__eol__14.2.1 生成模型的构建 202__eol__14.2.2 判别模型的构建 202__eol__14.2.3 条件生成对抗网络的__eol__ 构建 204__eol__14.3 生成对抗网络案例 205__eol__14.3.1 生成模型 205__eol__14.3.2 判别模型 205__eol__14.3.3 模型训练 206__eol__习题 207__eol__参考文献 208__eol__第15章 强化学习 209__eol__15.1 问题概述 209__eol__15.2 价值函数 211__eol__15.3 动态规划算法 212__eol__15.3.1 策略迭代算法 212__eol__15.3.2 价值迭代算法 213__eol__15.4 蒙特卡洛算法 213__eol__15.4.1 状态价值函数估计 214__eol__15.4.2 动作价值函数估计 214__