小册描述
目录
- 1．1 为何选择机器学习
- 1．1．1 机器学习能够解决的问题
- 1．1．2 熟悉任务和数据
- 1．2 为何选择Python
- 1．3 scikit-learn
- 1．4 必要的库和工具
- 1．4．1 Jupyter Notebook
- 1．4．2 NumPy
- 1．4．3 SciPy
- 1．4．4 matplotlib
- 1．4．5 pandas
- 1．4．6 mglearn
- 1．5 Python 2 与Python 3 的对比
- 1．7 第 一个应用：鸢尾花分类
- 1．7．1 初识数据
- 1．7．2 衡量模型是否成功：训练数据与测试数据
- 1．7．3 要事第 一：观察数据
- 1．7．4 构建第 一个模型：k 近邻算法
- 1．7．5 做出预测
- 1．7．6 评估模型
- 2．1 分类与回归
- 2．2 泛化、过拟合与欠拟合
- 2．3 监督学习算法
- 2．3．1 一些样本数据集
- 2．3．2 k 近邻
- 2．3．3 线性模型
- 2．3．4 朴素贝叶斯分类器
- 2．3．5 决策树
- 2．3．6 决策树集成
- 2．3．7 核支持向量机
- 2．3．8 神经网络（深度学习）
- 2．4 分类器的不确定度估计
- 2．4．1 决策函数
- 2．4．2 预测概率
- 2．4．3 多分类问题的不确定度
- 3．1 无监督学习的类型
- 3．2 无监督学习的挑战
- 3．3 预处理与缩放
- 3．3．1 不同类型的预处理
- 3．3．2 应用数据变换
- 3．3．3 对训练数据和测试数据进行相同的缩放
- 3．3．4 预处理对监督学习的作用
- 3．4 降维、特征提取与流形学习
- 3．4．1 主成分分析
- 3．4．2 非负矩阵分解
- 3．4．3 用t-SNE 进行流形学习
- 3．5 聚类
- 3．5．1 k 均值聚类
- 3．5．2 凝聚聚类
- 3．5．3 DBSCAN
- 3．5．4 聚类算法的对比与评估
- 3．5．5 聚类方法小结