機(jī)器學(xué)習(xí)算法（原書第2版）

譯者序
前言
第1章機(jī)器學(xué)習(xí)簡(jiǎn)介
1.1簡(jiǎn)介——經(jīng)典機(jī)器和自適應(yīng)的機(jī)器
1.1.1描述性分析
1.1.2預(yù)測(cè)性分析
1.2關(guān)于學(xué)習(xí)
1.2.1監(jiān)督學(xué)習(xí)
1.2.2無(wú)監(jiān)督學(xué)習(xí)
1.2.3半監(jiān)督學(xué)習(xí)
1.2.4強(qiáng)化學(xué)習(xí)
1.2.5計(jì)算神經(jīng)科學(xué)
1.3超越機(jī)器學(xué)習(xí)——深度學(xué)習(xí)和基于生物啟發(fā)的適應(yīng)系統(tǒng)
1.4機(jī)器學(xué)習(xí)和大數(shù)據(jù)
1.5本章小結(jié)
第2章機(jī)器學(xué)習(xí)的重要元素
2.1數(shù)據(jù)格式
2.2可學(xué)習(xí)性
2.2.1欠擬合和過擬合
2.2.2誤差度量和成本函數(shù)
2.2.3PAC學(xué)習(xí)
2.3統(tǒng)計(jì)學(xué)習(xí)方法介紹
2.3.1最大后驗(yàn)概率學(xué)習(xí)
2.3.2最大似然學(xué)習(xí)
2.4類平衡
2.4.1可置換的重采樣
2.4.2合成少數(shù)類過采樣
2.5信息論的要素
2.5.1熵
2.5.2交叉熵和互信息
2.5.3兩個(gè)概率分布的散度
2.6本章小結(jié)
第3章特征選擇與特征工程
3.1scikit-learn的toy數(shù)據(jù)集
3.2創(chuàng)建訓(xùn)練集和測(cè)試集
3.3管理分類數(shù)據(jù)
3.4管理缺失特征
3.5數(shù)據(jù)縮放和歸一化
3.6特征選擇和過濾
3.7主成分分析
3.7.1非負(fù)矩陣分解
3.7.2稀疏PCA
3.7.3核PCA
3.8獨(dú)立成分分析
3.9原子提取和字典學(xué)習(xí)
3.10使用t-SNE可視化高維數(shù)據(jù)集
3.11本章小結(jié)
第4章回歸算法
4.1線性模型
4.2一個(gè)二維的例子
4.3基于scikit-learn的線性回歸和更高維
4.3.1決定系數(shù)
4.3.2可解釋方差
4.3.3回歸的解析表達(dá)
4.4Ridge回歸、Lasso回歸和ElasticNet
4.4.1Ridge回歸
4.4.2Lasso回歸
4.4.3ElasticNet
4.5穩(wěn)健回歸
4.5.1隨機(jī)抽樣一致算法
4.5.2Huber回歸
4.6貝葉斯回歸
4.7多項(xiàng)式回歸
4.8保序回歸
4.9本章小結(jié)
第5章線性分類算法
5.1線性分類
5.2邏輯回歸
5.3實(shí)現(xiàn)和優(yōu)化
5.4隨機(jī)梯度下降算法
5.5被動(dòng)攻擊算法
5.6通過網(wǎng)格搜索找到最優(yōu)超參數(shù)
5.7評(píng)估分類的指標(biāo)
5.7.1混淆矩陣
5.7.2精確率
5.7.3召回率
5.7.4F-Beta
5.7.5Kappa系數(shù)
5.7.6分類報(bào)告
5.7.7學(xué)習(xí)曲線
5.8ROC曲線
5.9本章小結(jié)
第6章樸素貝葉斯和判別分析
6.1貝葉斯定理
6.2樸素貝葉斯分類器
6.3scikit-learn中的樸素貝葉斯
6.3.1伯努利樸素貝葉斯
6.3.2多項(xiàng)式樸素貝葉斯
6.3.3高斯樸素貝葉斯
6.4判別分析
6.5本章小結(jié)
第7章支持向量機(jī)
7.1線性支持向量機(jī)
7.2scikit-learn實(shí)現(xiàn)
7.3基于內(nèi)核的分類
7.3.1徑向基函數(shù)
7.3.2多項(xiàng)式核
7.3.3Sigmoid核
7.3.4自定義核
7.3.5非線性例子
7.4受控支持向量機(jī)
7.5支持向量回歸
7.6半監(jiān)督支持向量機(jī)簡(jiǎn)介
7.7本章小結(jié)
第8章決策樹和集成學(xué)習(xí)
8.1二元決策樹
8.1.1二元決策
8.1.2不純度的衡量
8.1.3特征重要度
8.2基于scikit-learn的決策樹分類
8.3決策樹回歸
8.4集成學(xué)習(xí)簡(jiǎn)介
8.4.1隨機(jī)森林
8.4.2AdaBoost
8.4.3梯度樹提升
8.4.4投票分類器
8.5本章小結(jié)
第9章聚類原理
9.1聚類基礎(chǔ)
9.2k-NN算法
9.3高斯混合
9.4k-means
9.5基于樣本標(biāo)記的評(píng)價(jià)方法
9.5.1同質(zhì)性
9.5.2完整性
9.5.3修正蘭德指數(shù)
9.6本章小結(jié)
第10章高級(jí)聚類
10.1DBSCAN
10.2譜聚類
10.3在線聚類
10.3.1mini-batch k-means
10.3.2BIRCH
10.4雙聚類
10.5本章小結(jié)
第11章層次聚類
11.1分層策略
11.2凝聚聚類
11.2.1樹形圖
11.2.2scikit-learn中的凝聚聚類
11.2.3連接限制
11.3本章小結(jié)
第12章推薦系統(tǒng)介紹
12.1樸素的基于用戶的系統(tǒng)
12.2基于內(nèi)容的系統(tǒng)
12.3無(wú)模式（或基于內(nèi)存的）協(xié)同過濾
12.4基于模型的協(xié)同過濾
12.4.1奇異值分解策略
12.4.2交替最小二乘法策略
12.4.3用Apache Spark MLlib實(shí)現(xiàn)交替最小二乘法策略
12.5本章小結(jié)
第13章自然語(yǔ)言處理簡(jiǎn)介
13.1NLTK和內(nèi)置語(yǔ)料庫(kù)
13.2詞袋策略
13.2.1標(biāo)記
13.2.2停止詞的刪除
13.2.3詞干抽取
13.2.4向量化
13.3詞性
13.4示例文本分類器
13.5本章小結(jié)
第14章NLP中的主題建模與情感分析
14.1主題建模
14.1.1隱性語(yǔ)義分析
14.1.2概率隱性語(yǔ)義分析
14.1.3隱性狄利克雷分配
14.2使用Gensim的Word2vec簡(jiǎn)介
14.3情感分析
14.4本章小結(jié)
第15章神經(jīng)網(wǎng)絡(luò)介紹
15.1深度學(xué)習(xí)簡(jiǎn)介
15.2基于Keras的MLP
15.3本章小結(jié)
第16章高級(jí)深度學(xué)習(xí)模型
16.1深層結(jié)構(gòu)
16.2基于Keras的深度卷積網(wǎng)絡(luò)示例
16.3基于Kears的LSTM網(wǎng)絡(luò)示例
16.4TensorFlow簡(jiǎn)介
16.4.1梯度計(jì)算
16.4.2邏輯回歸
16.4.3用多層感知器進(jìn)行分類
16.4.4圖像卷積
16.5本章小結(jié)
第17章創(chuàng)建機(jī)器學(xué)習(xí)架構(gòu)
17.1機(jī)器學(xué)習(xí)框架
17.1.1數(shù)據(jù)收集
17.1.2歸一化
17.1.3降維
17.1.4數(shù)據(jù)擴(kuò)充
17.1.5數(shù)據(jù)轉(zhuǎn)換
17.1.6建模、網(wǎng)格搜索和交叉驗(yàn)證
17.1.7可視化
17.1.8GPU支持
17.1.9分布式架構(gòu)簡(jiǎn)介
17.2用于機(jī)器學(xué)習(xí)架構(gòu)的scikit-learn工具
17.2.1管道
17.2.2特征聯(lián)合
17.3本章小結(jié)