机器学习算法的数学解析与Python实现

作品简介

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