《机器学习算法的数学解析与Python实现》内容简介

学习机器学习的动机很多，可能是实际工作需要，可能是兴趣爱好，也可能是学业要求，从每种动机的角度看，这个问题都可能有不同的答案。我认同许多人所说的求知不能太功利这一观点，不过大家的时间和精力毕竟有限，就算不去追求投入产出比，至少也应该有一个学这门知识想要达到的目的。机器学习是更偏重于应用的学问，在当下的发展也确实使得机器学习越来越像一门技能，而不仅仅是技术。初学算法时我最想学的是里面的“最强算法”，不过在第1章我将介绍，机器学习算法没有最强的，只有最合适的，对于不同的问题，对应会有不同的最合适算法。所以，我们更需要关注的应该是问题，而不是算法本身。在本书中我选择介绍市面上成熟的机器学习算法包，通过现成的算法包，就能够根据实际要解决的问题直接选择所需要的机器学习算法，从而把注意力集中在对不同算法的选择上。本书的目标读者是想要学习机器学习的学生、程序员、研究人员或者爱好者，以及想要知道机器学习是什么、为什么和怎么用的所有读者。本书第1章介绍机器学习总体背景，第2章介绍配置环境，第3章到第10章彼此独立，每一章介绍一种具体的机器学习算法，读者可以直接阅读想要了解的算法，第11章介绍了集成学习方法，这是一种组合机器学习算法的方法，也是当前在实际使用中常见又十分有效的提升性能的做法。
莫凡编著

作品目录

前言
第1章：机器学习概述
1.1、什么是机器学习
1.2、机器学习的几个需求层次
1.3、机器学习的基本原理
1.4、机器学习的基本概念
1.5、机器学习问题分类
1.6、常用的机器学习算法
1.7、机器学习算法的性能衡量指标
1.8、数据对算法结果的影响
第2章：机器学习所需的环境
2.1、常用环境
2.2、Python简介
2.3、Numpy简介
2.4、Scikit-Learn简介
2.5、Pandas简介
第3章：线性回归算法
3.1、线性回归：“钢铁直男”解决回归问题的正确方法
3.2、线性回归的算法原理
3.3、在Python中使用线性回归算法
3.4、线性回归算法的使用场景
第4章：Logistic回归分类算法
4.1、Logistic回归：换上“S型曲线马甲”的线性回归
4.2、Logistic回归的算法原理
4.3、在Python中使用Logistic回归算法
4.4、Logistic回归算法的使用场景
第5章：KNN分类算法
5.1、KNN分类算法：用多数表决进行分类
5.2、KNN分类的算法原理
5.3、在Python中使用KNN分类算法
5.4、KNN分类算法的使用场景
第6章：朴素贝叶斯分类算法
6.1、朴素贝叶斯：用骰子选择
6.2、朴素贝叶斯分类的算法原理
6.3、在Python中使用朴素贝叶斯分类算法
6.4、朴素贝叶斯分类算法的使用场景
第7章：决策树分类算法
7.1、决策树分类：用“老朋友”if-else进行选择
7.2、决策树分类的算法原理
7.3、在Python中使用决策树分类算法
7.4、决策树分类算法的使用场景
第8章：支持向量机分类算法
8.1、支持向量机：线性分类器的“王者”
8.2、支持向量机分类的算法原理
8.3、在Python中使用支持向量机分类算法
8.4、支持向量机分类算法的使用场景
第9章：K-means聚类算法
9.1、用投票表决实现“物以类聚”
9.2、K-means聚类的算法原理
9.3、在Python中使用K-means聚类算法
9.4、K-means聚类算法的使用场景
第10章：神经网络分类算法
10.1、用神经网络解决分类问题
10.2、神经网络分类的算法原理
10.3、在Python中使用神经网络分类算法
10.4、神经网络分类算法的使用场景
第11章：集成学习方法
11.1、集成学习方法：三个臭皮匠赛过诸葛亮
11.2、集成学习方法的具体实现方式
11.3、在Python中使用集成学习方法
11.4、集成学习方法的使用场景