圖解機器學習算法(全彩印刷)（簡體書）

本書基於豐富的圖示，詳細介紹了有監督學習和無監督學習的17種算法，包括線性回歸、正則化、邏輯回歸、支持向量機、核方法、樸素貝葉斯、隨機森林、神經網絡、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。書中針對各算法均用Python代碼進行了實現，讀者可一邊運行代碼一邊閱讀，從而加深對算法的理解。

第　1章
機器學習基礎　1
1．1　機器學習概要　2
什麼是機器學習　2
機器學習的種類　3
機器學習的應用　8
1．2　機器學習的步驟　9
數據的重要性　9
有監督學習（分類）的例子　11
無監督學習（聚類）的例子　16
可視化　18
圖形的種類和畫法：使用Matplotlib顯示圖形的方法　22
使用pandas理解和處理數據　30
本章小結　36
第　2章
有監督學習　37
2．1　算法1：線性回歸　38
概述　38
算法說明　39
詳細說明　41
2．2　算法2：正則化　45
概述　45
算法說明　48
詳細說明　50
2．3　算法3：邏輯回歸　52
概述　52
算法說明　53
詳細說明　55
2．4　算法4：支持向量機　58
概述　58
算法說明　59
詳細說明　60
2．5　算法5：支持向量機（核方法）　63
概述　63
算法說明　64
詳細說明　65
2．6　算法6：樸素貝葉斯　68
概述　68
算法說明　70
詳細說明　74
2．7　算法7：隨機森林　76
概述　76
算法說明　77
詳細說明　80
2．8　算法8：神經網絡　81
概述　81
算法說明　83
詳細說明　86
2．9　算法9：KNN　88
概述　88
算法說明　89
詳細說明　90
第3章
無監督學習　93
3．1　算法10：PCA　94
概述　94
算法說明　95
詳細說明　98
3．2　算法11：LSA　99
概述　99
算法說明　100
詳細說明　104
3．3　算法12：NMF　105
概述　105
算法說明　106
詳細說明　108
3．4　算法13：LDA　111
概述　111
算法說明　112
詳細說明　114
3．5　算法14：k-means算法　117
概述　117
算法說明　117
詳細說明　119
3．6　算法15：混合高斯分布　122
概述　122
算法說明　123
詳細說明　126
3．7　算法16：LLE　127
概述　127
算法說明　128
詳細說明　131
3．8　算法17：t-SNE　133
概述　133
算法說明　134
詳細說明　136
第4章
評估方法和各種數據的處理　139
4．1　評估方法　140
有監督學習的評估　140
分類問題的評估方法　140
回歸問題的評估方法　148
均方誤差和決定系數指標的不同　152
與其他算法進行比較　152
超參數的設置　154
模型的過擬合　155
防止過擬合的方法　155
將數據分為訓練數據和驗證數據　156
交叉驗證　158
搜索超參數　160
4．2　文本數據的轉換處理　163
基於單詞出現次數的轉換　163
基於tf-idf的轉換　164
應用於機器學習模型　165
4．3　圖像數據的轉換處理　167
直接將像素信息作為數值使用　167
將轉換後的向量數據作為輸入來應用機器學習模型　168
第5章
環境搭建　171
5．1　Python 3的安裝　172
Windows　172
macOS　172
Linux　173
使用Anaconda在Windows上安裝　174
5．2　虛擬環境　175
通過官方安裝程序安裝Python的情況　175
通過Anaconda安裝Python的情況　177
5．3　第三方包的安裝　178
什麼是第三方包　178
安裝第三方包的方法　178

參考文獻　180