第 1章　機(jī)器學(xué)習(xí)基礎(chǔ)　1 1.1　定義機(jī)器學(xué)習(xí)　1 1.2　從經(jīng)驗(yàn)中學(xué)習(xí)　2 1.3　機(jī)器學(xué)習(xí)任務(wù)　3 1.4　訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)和驗(yàn)證數(shù)據(jù)　4 1.5　偏差和方差　6 1.6　scikit-learn簡(jiǎn)介　8 1.7　安裝scikit-learn　8 1.7.1　使用pip安裝　9 1.7.2　在Windows系統(tǒng)下安裝　9 1.7.3　在Ubuntu 16.04系統(tǒng)下安裝　10 1.7.4　在Mac OS系統(tǒng)下安裝　10 1.7.5　安裝Anaconda　10 1.7.6　驗(yàn)證安裝　10 1.8　安裝pandas、Pillow、NLTK和matplotlib　11 1.9　小結(jié)　11 第 2章　簡(jiǎn)單線性回歸　12 2.1　簡(jiǎn)單線性回歸　12 2.1.1　用代價(jià)函數(shù)評(píng)價(jià)模型的擬合性　15 2.1.2　求解簡(jiǎn)單線性回歸的OLS　17 2.2　評(píng)價(jià)模型　19 2.3　小結(jié)　21 第3章　用K-近鄰算法分類(lèi)和回歸　22 3.1　K-近鄰模型　22 3.2　惰性學(xué)習(xí)和非參數(shù)模型　23 3.3　KNN模型分類(lèi)　23 3.4　KNN模型回歸　31 3.5　小結(jié)　36 第4章　特征提取　37 4.1　從類(lèi)別變量中提取特征　37 4.2　特征標(biāo)準(zhǔn)化　38 4.3　從文本中提取特征　39 4.3.1　詞袋模型　39 4.3.2　停用詞過(guò)濾　42 4.3.3　詞干提取和詞形還原　43 4.3.4　tf-idf權(quán)重?cái)U(kuò)展詞包　45 4.3.5　空間有效特征向量化與哈希技巧　48 4.3.6　詞向量　49 4.4　從圖像中提取特征　52 4.4.1　從像素強(qiáng)度中提取特征　53 4.4.2　使用卷積神經(jīng)網(wǎng)絡(luò)激活項(xiàng)作為特征　54 4.5　小結(jié)　56 第5章　從簡(jiǎn)單線性回歸到多元線性回歸　58 5.1　多元線性回歸　58 5.2　多項(xiàng)式回歸　62 5.3　正則化　66 5.4　應(yīng)用線性回歸　67 5.4.1　探索數(shù)據(jù)　67 5.4.2　擬合和評(píng)估模型　69 5.5　梯度下降法　72 5.6　小結(jié)　76 第6章　從線性回歸到邏輯回歸　77 6.1　使用邏輯回歸進(jìn)行二元分類(lèi)　77 6.2　垃圾郵件過(guò)濾　79 6.2.1　二元分類(lèi)性能指標(biāo)　81 6.2.2　準(zhǔn)確率　82 6.2.3　精準(zhǔn)率和召回率　83 6.2.4　計(jì)算F1值　84 6.2.5　ROC AUC　84 6.3　使用網(wǎng)格搜索微調(diào)模型　86 6.4　多類(lèi)別分類(lèi)　88 6.5　多標(biāo)簽分類(lèi)和問(wèn)題轉(zhuǎn)換　93 6.6　小結(jié)　97 第7章　樸素貝葉斯　98 7.1　貝葉斯定理　98 7.2　生成模型和判別模型　100 7.3　樸素貝葉斯　100 7.4　在scikit-learn中使用樸素貝葉斯　102 7.5　小結(jié)　106 第8章　非線性分類(lèi)和決策樹(shù)回歸　107 8.1　決策樹(shù)　107 8.2　訓(xùn)練決策樹(shù)　108 8.2.1　選擇問(wèn)題　109 8.2.2　基尼不純度　116 8.3　使用scikit-learn類(lèi)庫(kù)創(chuàng)建決策樹(shù)　117 8.4　小結(jié)　120 第9章　集成方法：從決策樹(shù)到隨機(jī)森林　121 9.1　套袋法　121 9.2　推進(jìn)法　124 9.3　堆疊法　126 9.4　小結(jié)　128 第 10章　感知機(jī)　129 10.1　感知機(jī)　129 10.1.1　激活函數(shù)　130 10.1.2　感知機(jī)學(xué)習(xí)算法　131 10.1.3　使用感知機(jī)進(jìn)行二元分類(lèi)　132 10.1.4　使用感知機(jī)進(jìn)行文檔分類(lèi)　138 10.2　感知機(jī)的局限性　139 10.3　小結(jié)　140 第 11章　從感知機(jī)到支持向量機(jī)　141 11.1　核與核技巧　141 11.2　最大間隔分類(lèi)和支持向量　145 11.3　用scikit-learn分類(lèi)字符　147 11.3.1　手寫(xiě)數(shù)字分類(lèi)　147 11.3.2　自然圖片字符分類(lèi)　150 11.4　小結(jié)　152 第 12章　從感知機(jī)到人工神經(jīng)網(wǎng)絡(luò)　153 12.1　非線性決策邊界　154 12.2　前饋人工神經(jīng)網(wǎng)絡(luò)和反饋人工神經(jīng)網(wǎng)絡(luò)　155 12.3　多層感知機(jī)　155 12.4　訓(xùn)練多層感知機(jī)　157 12.4.1　反向傳播　158 12.4.2　訓(xùn)練一個(gè)多層感知機(jī)逼近XOR函數(shù)　162 12.4.3　訓(xùn)練一個(gè)多層感知機(jī)分類(lèi)手寫(xiě)數(shù)字　164 12.5　小結(jié)　165 第 13章　K-均值算法　166 13.1　聚類(lèi)　166 13.2　K-均值算法　168 13.2.1　局部最優(yōu)值　172 13.2.2　用肘部法選擇K值　173 13.3　評(píng)估聚類(lèi)　176 13.4　圖像量化　178 13.5　通過(guò)聚類(lèi)學(xué)習(xí)特征　180 13.6　小結(jié)　184 第 14章　使用主成分分析降維　185 14.1　主成分分析　185 14.1.1　方差、協(xié)方差和協(xié)方差矩陣　188 14.1.2　特征向量和特征值　190 14.1.3　進(jìn)行主成分分析　192 14.2　使用PCA對(duì)高維數(shù)據(jù)可視化　194 14.3　使用PCA進(jìn)行面部識(shí)別　196 14.4　小結(jié)　199