第1章 機器學習介紹 1.1 機器學習簡介 1.1.1 什么是機器學習 1.1.2 機器學習與日常生活 1.1.3如何學習機器學習 1.1.4 Pymon的優勢 1.2 基本概念 1.2.1 機器學習的種類 1.2.2 有監督學習 1.2.3 無監督學習 1.2.4 機器學習的術語 1.2.5 預處理 1.3 Numpy數據格式 l.3.1 標稱數據 1.3.2 序數數據 1.3.3 分類數據 1.4 示例數據集 1.4.1 天氣問題 1.4.2 鳶尾花 1.4.3 其他數據集 1.5 了解你的數據 習題 第2章 線性回歸 2.1 從一個實際例子說起 2.1.1 模型定義 2.1.2 模型假設 2.1.3 模型評估 2.2 *小二乘法 2.2.1 *小二乘法求解參數 2.2.2 用*小二乘法來擬合奧運會 數據 2.2.3預測比賽結果 2.3 梯度下降 2-3.1 基本思路 2.3.2梯度下降算法 2.3.3梯度下降求解線性回歸問題 2.4 多變量線性回歸 2.4.1 多變量線性回歸問題 2.4.2 多變量梯度下降 2.4.3隨機梯度下降 2.4.4 小批量梯度下降 2.4.5 正規方程 2.5 多項式回歸 2.5.1 多項式回歸算法 2.5.2 正則化 習題 第3章 邏輯回歸 3.1 邏輯回歸介紹 3.1.1 線性回歸用于分類 3.1.2 假設函數 3.1.3決策邊界 3.2 邏輯回歸算法 3.2.1 代價函數 3.2.2 梯度下降算法 3.2.3 SciPy優化函數 …… 第4章 貝葉斯分類器 第5章 模型評估與選擇 第6章 K-均值算法和EM算法 第7章 決策樹 第8章 神經網絡 第9章 隱馬爾科夫模型 第10章 支持向量機 第11章 推薦系統 第12章 主成分分析 第13章 集成學習 附錄 1 符號表 附錄 2 習題參考答案 參考文獻