机器学习——python机器学习第2版笔记_python机器学习第二版

python机器学习第二版笔记

• 1 赋予计算机从数据中学习的能力
• • 1.1 构建把数据转换成知识的智能
  • 1.2 三种不同类型的机器学习
  • 1.3 基本术语与符号
  • 1.4 构建机器学习系统的路线图
  • 1.5 用python进行机学习
• 2 训练简单的机器学习分类算法
• • 2.1 人工神经元——机器学习早期历史一瞥
  • 2.2 在python中实现感知器学习
  • 2.3 自适应神经元和学习收敛
• 3 scikit-learn机器学习分类器一览
• • 3.1 选择分类算法
  • 3.2 了解scikit-learn软件库的第一步——训练感知器
  • 3.3 基于逻辑回归的分类概率建模
  • 3.4 支持向量机的最大余量分类
  • 3.5 用核支持向量机求解非线性问题
  • 3.6 决策树学习
  • 3.4 K-近邻——一种懒惰的学习算法
  • 3.8 小结
• 4 构建良好的训练集——预处理
• • 4.1 处理缺失数据
  • 4.2 处理分类数据
  • 4.3 分裂数据集为独立的训练集和测试集
  • 4.4 把特征保持在同一尺度上
  • 4.5 选择有意义的特征
  • 4.6 用随机森林评估特征的重要性
• 5. 通过降维压缩数据
• • 5.1 用主成分分析实现无监督降维
  • 5.2 基于线性判别分析的有监督数据压缩
  • 5.3 非线性映射的核主成分分析
• 6. 模型评估和超参数调优的最佳实践
• • 6.1 用管道方法简化工作流
  • 6.2 使用k折交叉验证评估模型的性能
  • 6.3 用学习和验证曲线调试算法
  • 6.4 通过网格搜索为机器学习模型调优
  • 6.5 比较不同的性能评估指标
  • 6.6 处理类的不平衡问题
• 7.综合不同模型的组合学习
• • 7.1 集成学习
  • 7.2 采用多数票机制的集成分类器
  • 7.3 套袋——基于导引样本构建分类器集成
  • 7.4 通过自适应增强来利用弱学习者
• 8.应用机器学习于情感分析
• • 8.1 为文本处理预备好IMDb电影评论数据
  • 8.2 词袋模型介绍
  • 8.3 训练文档分类的逻辑回归模型
  • 8.4 处理更大的数据集——在线算法和核心学习
  • 8.5 具有潜在狄氏分配的主题建模
• 9.将机器学习模型嵌入网络应用
• • 9.1序列化拟合scikit-learn评估器
  • 9.2搭建SQLite数据库存储数据
  • 9.3用Flask开发网络应用
  • 9.4将电影评论分类器转换为网络应用
  • 9.5在面向公众的服务器上部署网络应用
• 10.用回归分析预测连续目标变量
• • 10.1 线性回归简介
  • 10.2 探索住房数据集
  • 10.3普通最小二乘线性回归模型的实现
  • 10.4利用RANSAC拟合稳健的回归模型
  • 10.5评估线性回归模型的性能
  • 10.6用正则化方法进行回归
  • 10.7将线性回归模型转换为曲线——多项式回归
  • 10.8用随机森林处理非线性关系
  • 10.9小结
• 11.用聚类分析处理无标签数据
• • 11.1 用k-均值进行相似性分组
  • 11.2 把集群组织成有层次的树
  • 11.3 通过DBSCAN定位高密度区域
• 12从零开始实现多层人工神经
• 13用TensorFlow并行训练神经网络
• 14深入探讨TensorFlow的工作原理
• 15深度卷积神经网络图像识别
• 14用递归神经网络为序列数据建模