《机器学习原理与Python编程实践》讲述机器学习的基本原理,使用Python和Numpy实现涉及的各种机器学习算法。通过理论学习和实践操作,使读者了解并掌握机器学习的基本原理和技能,拉近理论与实践的距离。全书共分为13章,主要内容包括:机器学习介绍、线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值算法和EM算法、决策树、神经网络、隐马尔科夫模型、支持向量机、**系统、主成分分析、集成学习。全书源码全部在Python 3.7上调试成功,每章都附有习题和习题参考答案,供读者参考。 《机器学习原理与Python编程实践》系统讲解了机器学习的常用核心算法和Python编程实践,内容全面、实例丰富、可操作性强,做到理论与实践相结合。本书适合机器学习爱好者作为入门和提高的技术参考书,也适合用作计算机专业高年级本科生和研究生的教材或教学参考书。

第1章 机器学习介绍 1 1.1 机器学习简介 2 1.1.1 什么是机器学习 2 1.1.2 机器学习与日常生活 3 1.1.3 如何学习机器学习 4 1.1.4 Python的优势 5 1.2 基本概念 6 1.2.1 机器学习的种类 6 1.2.2 有监督学习 6 1.2.3 无监督学习 7 1.2.4 机器学习的术语 8 1.2.5 预处理 9 1.3 Numpy数据格式 10 1.3.1 标称数据 10 1.3.2 序数数据 11 1.3.3 分类数据 11 1.4 示例数据集 12 1.4.1 天气问题 12 1.4.2 鸢尾花 14 1.4.3 其他数据集 15 1.5 了解你的数据 16 习题 20 第2章 线性回归 21 2.1 从一个实际例子说起 22 2.1.1 模型定义 23 2.1.2 模型假设 23 2.1.3 模型评估 24 2.2 *小二乘法 25 2.2.1 *小二乘法求解参数 25 2.2.2 用*小二乘法来拟合奥运会数据 26 2.2.3 预测比赛结果 27 2.3 梯度下降 28 2.3.1 基本思路 28 2.3.2 梯度下降算法 29 2.3.3 梯度下降求解线性回归问题 31 2.4 多变量线性回归 33 2.4.1 多变量线性回归问题 33 2.4.2 多变量梯度下降 35 2.4.3 随机梯度下降 38 2.4.4 小批量梯度下降 41 2.4.5 正规方程 43 2.5 多项式回归 45 2.5.1 多项式回归算法 45 2.5.2 正则化 48 习题 51 第3章 逻辑回归 53 3.1 逻辑回归介绍 54 3.1.1 线性回归用于分类 54 3.1.2 假设函数 55 3.1.3 决策边界 56 3.2 逻辑回归算法 58 3.2.1 代价函数 58 3.2.2 梯度下降算法 59 3.2.3 SciPy优化函数 61 3.2.4 多项式逻辑回归 63 3.3 多元分类 65 3.3.1 一对多 65 3.3.2 一对一 68 3.3.3 Softmax回归 70 习题 73 第4章 贝叶斯分类器 75 4.1 简介 76 4.1.1 概述 76 4.1.2 判别模型和生成模型 76 4.1.3 极大似然估计 77 4.2 高斯判别分析 80 4.2.1 多元高斯分布 80 4.2.2 高斯判别模型 81 4.3 朴素贝叶斯 84 4.3.1 朴素贝叶斯算法 84 4.3.2 文本分类 89 习题 95 第5章 模型评估与选择 97 5.1 简介 98 5.1.1 训练误差与泛化误差 98 5.1.2 偏差和方差 99 5.2 评估方法 100 5.2.1 训练集、验证集和测试集划分 101 5.2.2 交叉验证 102 5.3 性能度量 105 5.3.1 常用性能度量 105 5.3.2 查准率和查全率 107 5.3.3 ROC和AUC 108 5.4 偏差与方差折中 110 5.4.1 偏差方差诊断 111 5.4.2 正则化与偏差和方差 112 5.4.3 学习曲线 113 习题 114 第6章 K-均值算法和EM算法 117 6.1 聚类分析 118 6.1.1 K-means算法 118 6.1.2 K-means算法的应用 121 6.1.3 注意事项 122 6.2 EM算法 124 6.2.1 基本EM算法 124 6.2.2 EM算法的一般形式 125 6.2.3 混合高斯模型 128 习题 134 第7章 决策树 137 7.1 决策树介绍 138 7.2 ID3算法 139 7.2.1 信息熵 139 7.2.2 信息增益计算示例 139 7.2.3 ID3算法描述 144 7.2.4 ID3算法实现 146 7.3 C4.5算法 147 7.3.1 基本概念 147 7.3.2 剪枝处理 151 7.3.3 C4.5算法描述 153 7.3.4 C4.5算法实现 155 7.4 CART算法 157 7.4.1 CART算法介绍 157 7.4.2 CART算法描述 160 7.4.3 CART算法实现 162 习题 163 第8章 神经网络 165 8.1 神经网络介绍 166 8.1.1 从一个实例说起 166 8.1.2 神经元 167 8.1.3 神经网络结构 169 8.1.4 简化的神经网络模型 171 8.1.5 细节说明 175 8.2 神经网络学习 176 8.2.1 代价函数 176 8.2.2 BP算法 177 8.2.3 BP算法实现 180 8.3 神经网络实现 186 8.3.1 MNIST神经网络实现 186 8.3.2 逻辑异或的神经网络实现 188 习题 189 第9章 隐马尔科夫模型 191 9.1 隐马尔科夫模型基本概念 192 9.1.1 离散马尔科夫过程 192 9.1.2 扩展至隐马尔科夫模型 194 9.1.3 HMM的组成和序列生成 197 9.1.4 三个基本问题 199 9.2 求解HMM三个基本问题 200 9.2.1 评估问题 200 9.2.2 解码问题 205 9.2.3 学习问题 208 习题 214 第10章 支持向量机 215 10.1 支持向量机介绍 216 10.2 *大间隔超平面 216 10.2.1 SVM问题的形式化描述 217 10.2.2 函数间隔和几何间隔 218 10.2.3 *优间隔分类器 219 10.2.4 使用优化软件求解SVM 221 10.3 对偶算法 222 10.3.1 SVM对偶问题 222 10.3.2 使用优化软件求解对偶SVM 225 10.4 非线性支持向量机 226 10.4.1 核技巧 227 10.4.2 常用核函数 228 10.5 软间隔支持向量机 231 10.5.1 动机及原问题 231 10.5.2 对偶问题 232 10.5.3 使用优化软件求解软间隔对偶SVM 234 10.6 SMO算法 236 10.6.1 SMO算法描述 236 10.6.2 简化SMO算法实现 239 10.7 LibSVM 244 10.7.1 LibSVM的安装 245 10.7.2 LibSVM函数 246 10.7.3 LibSVM实践指南 248 习题 251 第11章 **系统 253 11.1 **系统介绍 254 11.1.1 什么是**系统 254 11.1.2 数据集描述 255 11.1.3 **系统符号 256 11.2 基于用户的协同过滤 256 11.2.1 相似性度量 257 11.2.2 算法描述 259 11.2.3 算法实现 260 11.3 基于物品的协同过滤 261 11.3.1 调整余弦相似度和预测 261 11.3.2 Slope One算法描述 与实现 263 11.4 基于内容的协同过滤算法与实现 267 11.4.1 算法描述 267 11.4.2 算法实现 270 习题 271 第12章 主成分分析 273 12.1 主成分分析介绍 274 12.2 本征值与奇异值分解 275 12.2.1 本征值分解 275 12.2.2 奇异值分解 276 12.3 PCA算法描述 276 12.3.1 PCA算法 276 12.3.2 从压缩表示中重建 278 12.3.3 确定主成分数量 278 12.4 PCA实现 279 12.4.1 假想实例 279 12.4.2 MNIST实例 284 习题 286 第13章 集成学习 289 13.1 集成学习介绍 290 13.1.1 集成学习简介 290 13.1.2 个体学习器 291 13.1.3 集成学习的基本原理 291 13.1.4 融合个体学习器的方法 293 13.2 装袋 294 13.2.1 装袋算法描述 295 13.2.2 装袋算法实现 296 13.3 提升 297 13.3.1 提升算法描述 297 13.3.2 AdaBoost算法实现 300 13.4 随机森林 301 13.4.1 随机森林算法描述 302 13.4.2 随机森林算法实现 303 习题 305 附录1 符号表 306 附录2 习题参考答案 307 参考文献 334