Python機器學習（簡體書）

本書是關於學習機器學習的入門圖書。機器學習已經成為當今社會中最能激發人們興趣的技術之一，全球各地眾多有實力的公司和科研機構都投入了大量人力、物力用於對機器學習理論及應用的研究。機器學習是指讓計算機具有人類的思考和學習能力的技術的總稱。近年來，隨著信息技術及計算機軟硬件的發展，機器學習領域的研究取得了巨大的進步。
目前，市場上有不少的機器學習書籍可供選擇，它們大都注重算法原理和數學理論，較少地討論如何對算法進行編程實現。本書的目的是構建從矩陣形式的算法到實際功能程序的橋梁。考慮這一點，本書對數學理論的論述較少，而偏重於代碼實現。
本書向讀者介紹多種機器學習算法，以及使用這些算法的工具和應用程序，以使讀者了解它們在今天的實踐中是如何使用的。本書使用的是Python編程語言，它在過去被稱為“可執行的偽代碼”。熟悉Python編程方法對體驗示例代碼大有裨益，而且學習Python並不難。
本書共10章。第1章介紹機器學習的基本概念和理論，並介紹了機器學習的Python軟件環境的準備。第2章介紹幾個常用的分類與回歸算法及經典的案例實踐。第3章介紹誤差和過擬合的基本概念，以及模型評估的留出法和交叉驗證法，再詳細地描述性能度量中各模型泛化能力的評估指標。第4章介紹過濾法、封裝法、嵌入法三種特徵提取的方法，以及目前主流的特徵降維方法，並詳細描述了特徵提取與降維的細節。第5章介紹無監督學習幾種常見的聚類算法，同時描述了常用聚類性能度量的外部指標和內部指標。第6章介紹關聯規則的概念及其運用，還講解了幾種傳統推薦方法的原理及與這些推薦方法相契合的應用場景。第7章介紹傳統啟發式算法的原理及基於Python語言的編程實現。第8章介紹集成學習的基本概念、集成學習的相關算法和學習策略，以及經典案例實踐。第9章介紹強化學習的相關概念，以及目前主流的強化學習模型和原理。第10章介紹人工神經的相關概念和原理，並在此基礎上詳細分析了遞歸神經網絡、卷積神經網絡的原理，同時給出了經典的案例實踐。
在本書的編寫過程中，我們參閱了國內外一些經典著作和期刊論文，同時參考了國內外部分互聯網網站的信息，在此向有關作者表示感謝！在本書的編寫過程中，得到了福建師範大學陳志德教授、電子工業出版社董亞峰同志的幫助，他們為完善本書付出了很多努力。另外，在本書編寫過程中，還得到了華納信息科技有限公司、中銳網絡股份有限公司、廣州泰迪智能科技有限公司等企業的大力支持，在此一並表示感謝！
由於時間和水平所限，書中難免會有不當之處，希望同行和讀者多加指正。

第1章 了解機器學習
1．1 機器學習的基本術語
1．1．1 大數據相關概念
1．1．2 機器學習的發展歷程概述
1．1．3 機器學習的應用現狀
1．2 機器學習的基本流程
1．3 機器學習的發展現狀
1．4 機器學習的環境搭建
1．4．1 Anaconda
1．4．2 PyCharm
1．4．3 漢諾塔案例
1．4．4 機器學習常用package的安裝與介紹

第2章 線性回歸
2．1 線性回歸與邏輯回歸
2．1．1 線性回歸模型
2．1．2 優化方法
2．1．3 損失函數
2．1．4 損失函數的優化
2．1．5 過擬合和欠擬合
2．1．6 利用正則化解決過擬合問題
2．1．7 邏輯回歸
2．1．8 邏輯回歸的損失函數
2．1．9 邏輯回歸實現多分類
2．1．10 邏輯回歸與線性回歸的比較
2．2 決策樹
2．2．1 決策樹的建立
2．2．2 剪枝
2．2．3 CART剪枝
2．3 貝葉斯分類器
2．3．1 貝葉斯最優分類器
2．3．2 極大似然估計
2．3．3 樸素貝葉斯分類器
2．4 支持向量機
2．4．1 支持向量機的原理
2．4．2 線性可分支持向量機
2．4．3 非線性支持向量機和核函數
2．4．4 線性支持向量機與松弛變量
2．5 案例
2．5．1 線性回歸案例
2．5．2 邏輯回歸案例
2．5．3 決策樹分類案例
2．5．4 支持向量機分類案例

第3章 模型評估與選擇
3．1 經驗誤差和過擬合
3．1．1 從統計學的角度介紹模型的概念
3．1．2 關於誤差的說法
3．1．3 統計學中的過擬合
3．1．4 機器學習中的過擬合與欠擬合
3．2 模型驗證策略
3．2．1 留出法
3．2．2 交叉驗證法
3．3 模型的性能度量
3．3．1 基本概念
3．3．2 性能度量
3．3．3 回歸性能度量指標
3．3．4 回歸問題的評估方法

第4章 特徵提取與降維
4．1 特徵提取方法——過濾法
4．1．1 過濾法的原理及特點
4．1．2 過濾法的基本類型
4．1．3 過濾法的具體方法
4．2 特徵提取方法——封裝法
4．2．1 封裝法的思想
4．2．2 封裝法的代表方法
4．3 特徵提取方法——嵌入法
4．3．1 嵌入法的思想
4．3．2 嵌入法的代表方法
4．4 K-近鄰學習
4．4．1 K-近鄰學習簡介
4．4．2 KNN模型
4．4．3 KNN模型舉例
4．4．4 KNN模型的特點
4．5 主成分分析
4．5．1 主成分分析的定義
4．5．2 主成分分析原理
4．6 K-近鄰學習案例
4．6．1 實驗步驟
4．6．2 實驗結果
4．7 主成分分析案例（PCA降維）
4．7．1 實驗步驟
4．7．2 實驗結果
4．7．3 PCA參數介紹

第5章 無監督學習
5．1 K-means聚類模型原理
5．1．1 無監督學習
5．1．2 聚類簡介
5．1．3 K-means聚類模型原理
5．2 基於層次的分群
5．2．1 層次聚類簡介
5．2．2 層次聚類的原理
5．3 基於密度的分群
5．3．1 DBSCAN算法介紹
5．3．2 DBSCAN算法評價
5．4 聚類模型性能度量
5．4．1 聚類結果好壞的評估指標
5．4．2 距離度量
5．5 案例分析
5．5．1 二分K-means聚類案例
5．5．2 基於DBSCAN和AGNES算法的聚類

第6章 關聯規則及推薦算法
6．1 關聯規則
6．1．1 關聯規則簡介
6．1．2 關聯規則相關術語
6．1．3 關聯規則算法
6．2 Apriori算法簡介
6．3 基於內容的過濾和協同過濾
6．3．1 基於內容的過濾
6．3．2 基於協同過濾的推薦
6．3．3 基於用戶的協同過濾
6．3．4 推薦算法的條件
6．4 基於項目的協同過濾
6．4．1 協同過濾簡介
6．4．2 協同過濾算法的主要步驟
6．4．3 應用場景
6．4．4 基於人口統計學的推薦機制
6．5 案例分析
6．5．1 Apriori算法的實驗步驟
6．5．2 基於用戶的協同過濾算法的實驗步驟
6．5．3 基於項目的推薦算法的實驗步驟

第7章 啟發式學習
7．1 啟發式學習的介紹
7．1．1 搜索算法
7．1．2 預測建模算法
7．2 爬山算法
7．2．1 爬山算法的描述
7．2．2 爬山算法優缺點的分析
7．3 遺傳算法
7．3．1 遺傳算法概述
7．3．2 遺傳算法的過程
7．3．3 遺傳算法實例
7．4 模擬退火
7．4．1 模擬退火算法簡介
7．4．2 模擬退火參數控制
7．4．3 模擬退火算法的步驟
7．5 粒子群算法
7．5．1 粒子群算法簡介
7．5．2 粒子群算法的流程
7．6 案例分析
7．6．1 粒子群算法案例
7．6．2 爬山算法案例
7．6．3 遺傳算法案例
7．6．4 退火算法案例

第8章 集成學習
8．1 集成學習的基本術語
8．1．1 集成學習的相關概念
8．1．2 集成學習的分類
8．2 Boosting算法
8．3 AdaBoost算法
8．4 Bagging算法
8．5 隨機森林
8．6 結合策略
8．7 集成學習案例
8．7．1 隨機森林案例
8．7．2 AdaBoost案例

第9章 強化學習
9．1 強化學習概述
9．1．1 強化學習的定義
9．1．2 強化學習的特點
9．2 K-搖臂賭博機模型
9．2．1 K-搖臂賭博機簡介
9．2．2 ?-貪心算法
9．2．3 Softmax算法
9．3 策略迭代原理
9．3．1 馬爾可夫決策過程
9．3．2 價值函數
9．3．3 策略迭代法
9．4 蒙特卡羅強化學習
9．4．1 蒙特卡羅方法的基本思想
9．4．2 強化學習中的蒙特卡羅方法
9．4．3 蒙特卡羅策略估計
……
第10章 人工神經網絡