**章 配置開發環境 **節 Anaconda下載與安裝 第二節 Jupyter基本操作 第三節 升級與維護 第二章 機器學習的基本概念 **節 機器學習概念 第二節 建模準備 第三節 模型訓練 第四節 建模流程 第三章 文件管理和KNN **節 設置工作文件夾 第二節 虛擬環境的設置 第三節 KNN算法原理 第四節 預測案例 第五節 K折交叉驗證 第四章 線性回歸 **節 線性回歸方程 第二節 誤差分析 第三節 似然函數求解 第四節 回歸求解 第五節 梯度下降 第六節 評價指標 第七節 案例 第五章 邏輯回歸 **節 Sigmod函數 第二節 邏輯回歸本質 第三節 閾值 第四節 參數估計 第五節 評估指標 第六章 K—means聚類算法 **節 聚類算法的特征 第二節 算法原理 第三節 常用參數 第四節 K—means優缺點 第七章 決策樹 **節 決策樹歷史 第二節 決策樹原理 第三節 熵 第四節 構造實例 第五節 信息增益率和gini系數 第六節 回歸決策樹 第七節 剪枝方法 第八節 決策樹優缺點 第八章 集成算法 **節 隨機森林 第二節 boosting算法 第三節 stacking模型 第四節 隨機森林參數 第九章 AdaBoost算法 **節 算法原理 第二節 算法流程 第三節 參數求解 第四節 AdaBoost參數 第十章 梯度提升樹 **節 GBDT'概述 第二節 數學流程 第三節 GBDT優缺點 第四節 GBDT調參 第十一章 降維算法 **節 “維”的解釋 第二節 。PCA與SvD 第十二章 樸素貝葉斯 **節 樸素貝葉斯原理 第二節 樸素貝葉斯分類器 第三節 評估指標 第四節 樸素貝葉斯優缺點 第五節 應用場景 第十三章 LGBM算法 **節 LGBM原理概述 第二節 LGBM相關技術 第三節 GOSS采樣與直方圖優化算法 第四節 LGBM數學推導 參考文獻