思维导图备注

机器学习实战 - Peter Harrington
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 6 扫码
  • 小字体
  • 中字体
  • 大字体
2022-02-22 02:42:00
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
  • 版权声明
  • 献词
  • 译者序
  • 前言
  • 致谢
  • 关于本书
  • 关于作者
  • 关于封面
  • 第一部分 分类
  • 第1章 机器学习基础
    • 1.1 何谓机器学习
    • 1.2 关键术语
    • 1.3 机器学习的主要任务
    • 1.4 如何选择合适的算法
    • 1.5 开发机器学习应用程序的步骤
    • 1.6 Python语言的优势
    • 1.7 NumPy函数库基础
    • 1.8 本章小结
  • 第2章 k-近邻算法
    • 2.1 k-近邻算法概述
    • 2.2 示例：使用k近邻算法改进约会网站的配对效果
    • 2.3 示例：手写识别系统
    • 2.4 本章小结
  • 第3章 决策树
    • 3.1 决策树的构造
    • 3.2 在Python中使用Matplotlib注解绘制树形图
    • 3.3 测试和存储分类器
    • 3.4 示例：使用决策树预测隐形眼镜类型
    • 3.5 本章小结
  • 第4章 基于概率论的分类方法：朴素贝叶斯
    • 4.1 基于贝叶斯决策理论的分类方法
    • 4.2 条件概率
    • 4.3 使用条件概率来分类
    • 4.4 使用朴素贝叶斯进行文档分类
    • 4.5 使用Python进行文本分类
    • 4.6 示例：使用朴素贝叶斯过滤垃圾邮件
    • 4.7 示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向
    • 4.8 本章小结
  • 第5章 Logistic回归
    • 5.1 基于Logistic回归和Sigmoid函数的分类
    • 5.2 基于最优化方法的最佳回归系数确定
    • 5.3 示例：从疝气病症预测病马的死亡率
    • 5.4 本章小结
  • 第6章 支持向量机
    • 6.1 基于最大间隔分隔数据
    • 6.2 寻找最大间隔
    • 6.3 SMO高效优化算法
    • 6.4 利用完整Platt SMO算法加速优化
    • 6.5 在复杂数据上应用核函数
    • 6.6 示例：手写识别问题回顾
    • 6.7 本章小结
  • 第7章 利用AdaBoost元算法提高分类性能
    • 7.1 基于数据集多重抽样的分类器
    • 7.2 训练算法：基于错误提升分类器的性能
    • 7.3 基于单层决策树构建弱分类器
    • 7.4 完整AdaBoost算法的实现
    • 7.5 测试算法：基于AdaBoost的分类
    • 7.6 示例：在一个难数据集上应用AdaBoost
    • 7.7 非均衡分类问题
    • 7.8 本章小结
  • 第二部分 利用回归预测数值型数据
  • 第8章 预测数值型数据：回归
    • 8.1 用线性回归找到最佳拟合直线
    • 8.2 局部加权线性回归
    • 8.3 示例：预测鲍鱼的年龄
    • 8.4 缩减系数来“理解”数据
    • 8.5 权衡偏差与方差
    • 8.6 示例：预测乐高玩具套装的价格
    • 8.7 本章小结
  • 第9章 树回归
    • 9.1 复杂数据的局部性建模
    • 9.2 连续和离散型特征的树的构建
    • 9.3 将CART算法用于回归
    • 9.4 树剪枝
    • 9.5 模型树
    • 9.6 示例：树回归与标准回归的比较
    • 9.7 使用Python的Tkinter库创建GUI
    • 9.8 本章小结
  • 第三部分 无监督学习
  • 第10章 利用Ｋ-均值聚类算法对未标注数据分组
    • 10.1 k均值聚类算法
    • 10.2 使用后处理来提高聚类性能
    • 10.3 二分k均值算法
    • 10.4 示例：对地图上的点进行聚类
    • 10.5 本章小结
  • 第11章 使用Apriori算法进行关联分析
    • 11.1 关联分析
    • 11.2 Apriori原理
    • 11.3 使用Apriori算法来发现频繁集
    • 11.4 从频繁项集中挖掘关联规则
    • 11.5 示例：发现国会投票中的模式
    • 11.6 示例：发现毒蘑菇的相似特征
    • 11.7 本章小结
  • 第12章 使用FP-growth算法来高效发现频繁项集
    • 12.1 FP树：用于编码数据集的有效方式
    • 12.2 构建FP树
    • 12.3 从一棵FP树中挖掘频繁项集
    • 12.4 示例：在Twitter源中发现一些共现词
    • 12.5 示例：从新闻网站点击流中挖掘
    • 12.6 本章小结
  • 第四部分 其他工具
  • 第13章 利用PCA来简化数据
    • 13.1 降维技术
    • 13.2 PCA
    • 13.3 示例：利用PCA对半导体制造数据降维
    • 13.4 本章小结
  • 第14章 利用SVD简化数据
    • 14.1 SVD的应用
    • 14.2 矩阵分解
    • 14.3 利用Python实现SVD
    • 14.4 基于协同过滤的推荐引擎
    • 14.5 示例：餐馆菜肴推荐引擎
    • 14.6 示例：基于SVD的图像压缩
    • 14.7 本章小结
  • 第15章 大数据与MapReduce
    • 15.1 MapReduce：分布式计算的框架
    • 15.2 Hadoop流
    • 15.3 在Amazon网络服务上运行Hadoop程序
    • 15.4 MapReduce上的机器学习
    • 15.5 在Python中使用mrjob来自动化MapReduce
    • 15.6 示例：分布式SVM的Pegasos算法
    • 15.7 你真的需要MapReduce吗？
    • 15.8 本章小结
  • 附录A Python入门
    • A.1 Python安装
    • A.2 Python入门
    • A.3 NumPy快速入门
    • A.4 Beautiful Soup包
    • A.5 Mrjob
    • A.6 Vote Smart
    • A.7 Python-Twitter
  • 附录B 线性代数
    • B.1 矩阵
    • B.2 矩阵求逆
    • B.3 矩阵范数
    • B.4 矩阵求导
  • 附录C 概率论复习
    • C.1 概率论简介
    • C.2 联合概率
    • C.3 概率的基本准则
  • 附录D 资源
  • 目录
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

    《机器学习实战 - Peter Harrington》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