space

Author: jiaxianhua

_posts/2019-01-08-python-ml-book.md

@@ -12,175 +12,347 @@ tags: []
 
 
 1 机器学习介绍
+
     1.1 什么是机器学习
+
     1.2 机器学习的应用
+
     1.3 机器学习基本流程与工作环节
+
         1.3.1 数据采集与标记
+
         1.3.2 数据清洗
+
         1.3.3 特征选择
+
         1.3.4 模型选择
+
         1.3.5 训练和测试
+
         1.3.6 模型使用
+
     1.4 机器学习算法一览
+
 2 Python 3  机器学习软件包
+
     2.1 多种机器学习编程语言比较
+
     2.2 开发环境  Anaconda 搭建
+
         2.2.1 Windows
+
         2.2.2 macOS
+
         2.2.3 Linux
+
     2.3 Jupyter Notebook 介绍
+
     2.4 Spyder 介绍
+
     2.5 Numpy 介绍
+
         2.5.1 Numpy 数组
+
         2.5.2 Numpy 运算
+
         2.5.3 Numpy Cheat Sheet
+
     2.6 Pandas 介绍
+
         2.6.1 十分钟入门 pandas
+
         2.6.2 Pandas Cheat Sheet
+
     2.7 Matplotilb 介绍
+
         2.7.1 Pyplot 教程
+
         2.7.2 plots 示例
+
         2.7.3 Matplotilb Cheat Sheet
+
     2.8 scikit-learn 介绍
+
         2.8.1 scikit-learn 教程
+
         2.8.2 scikit-learn 接口
+
         2.8.3 scikit-learn  Cheat Sheet
+
     2.9 数据预处理
+
         2.9.1 导入数据集
+
         2.9.2 缺失数据
+
         2.9.3 分类数据
+
         2.9.4 数据划分
+
         2.9.5  特征缩放
+
         2.9.6 数据预处理模板
+
 3 回归
+
     3.1 简单线性回归
+
         3.1.1 算法原理
+
         3.1.2 预测函数
+
         3.1.3 成本函数
+
         3.1.4 回归模板
+
     3.2 多元线性回归
+
     3.3 多项式回归
+
         3.3.1 案例：预测员工薪水
+
     3.4 正则化
+
         3.4.1 岭回归
+
         3.4.2 Lasso 回归
+
     3.5 评估回归模型的表现
+
         3.5.1 R平方
+
         3.5.2 广义R平方
+
         3.5.3 回归模型性能评价及选择
+
         3.5.4 回归模型系数的含义
+
 4 分类
+
     4.1 逻辑回归
+
         4.1.1 算法原理
+
         4.1.2 多元分类
+
         4.1.3 分类代码模板
+
         4.1.4 分类模板
+
     4.2 k-近邻
+
         4.2.1 算法原理
+
         4.2.2 变种
+
     4.3 支持向量机
+
         4.3.1 算法原理
+
         4.3.2 二分类线性可分
+
         4.3.3 二分类线性不可分支持
+
         4.3.4 多分类支持向量机
+
         4.3.5 Kernel SVM - 原理
+
         4.3.6 高维投射
+
         4.3.7 核技巧
+
         4.3.8 核函数的类型
+
     4.4 决策树
+
         4.4.1 算法原理
+
         4.4.2 剪枝与控制过拟合
+
         4.4.3 信息增益
+
         4.4.4 最大熵与EM算法
+
 5 聚类
+
     5.1 扁平聚类
+
         5.1.1 k 均值
+
         5.1.2 k-medoids
+
     5.2 层次聚类
+
         5.2.1 Single-Linkage
+
         5.2.2  Complete-Linkage
+
 6 关联规则
+
     6.1 关联规则学习
+
     6.2 先验算法Apriori
+
     6.3 FP Growth
+
 7 降维
+
     7.1 PCA(主成分分析)
+
     7.2 核 PCA
+
     7.3 等距特征映射IsoMap
+
 8 强化学习
+
     8.1 置信区间上界算法
+
         8.1.1 多臂老虎机问题
+
         8.1.2 置信区间上界算法原理
+
     8.2  Thompson 抽样算法
+
         8.2.1 抽样算法 - 原理
+
         8.2.2 抽样算法 vs. 置信区间上界算法
+
 9 集成学习
+
     9.1 Stacking
+
     9.2 Bagging
+
         9.2.1 随机森林
+
     9.3 Boosting
+
         9.3.1 XBoost
+
         9.3.2 LightGBM
+
         9.3.3 CatBoost
+
         9.3.4 AdaBoost
+
 10 深度学习
+
     10.1 什么是深度学习？
+
     10.2 人工神经网络ANN
+
         10.2.1 神经元
+
         10.2.2  激活函数
+
         10.2.3 神经网络如何运作？
+
         10.2.4 神经网络如何训练？
+
         10.2.5 梯度下降
+
         10.2.6  随机梯度下降
+
         10.2.7 反向传播
+
         10.2.8 商业案例介绍
+
     10.3 卷积神经网络CNN
+
         10.3.1 卷积神经网络是什么？
+
         10.3.2 卷积
+
         10.3.3 线性整流层 ReLU Layer
+
         10.3.4 最大池化
+
         10.3.5 扁平化
+
         10.3.6 全连接
+
         10.3.7 商业案例介绍
+
 11 概率模型
+
     11.1 贝叶斯网络
+
         11.1.1 朴素贝叶斯
+
         11.1.2 贝叶斯网络与有向分离
+
         11.1.3 马尔科夫模型
+
         11.1.4 实战案例
+
     11.2 隐马科夫链模型HMM
+
         11.2.1 隐马科夫链
+
         11.2.2 隐马科夫链解法
+
         11.2.3 隐马科夫链应用
+
     11.3 主题模型
+
         11.3.1 主题模型理论
+
         11.3.2 主题模型算法
+
         11.3.3 实战案例
+
 12 模型选择和提升
+
     12.1 交叉验证
+
     12.2 网格搜索
+
 13 项目实战
+
     13.1 自然语言处理
+
         13.1.1 自然语言处理简介
+
         13.1.2 NLTK
+
         13.1.3 正则表达式
+
         13.1.4 文本清理
+
         13.1.5 标识化处理
+
         13.1.6 词干提取
+
         13.1.7 文本分类
+
         13.1.8 取样操作
+
         13.1.9 词袋
+
         13.1.10 实战案例:饭店评论
+
     13.2 移动 App
+
         13.2.1 Tensorflow Lite
+
         13.2.2 Core ML
+
         13.2.3 图片风格迁移
+
         13.2.4 手写数字识别
+
     13.3 Kaggle项目
+
         13.3.1 波士顿房价
+
         13.3.2 泰坦尼克
+
         13.3.3 车价预测
+
         13.3.4 Facebook招聘
 
+
+
 2019-01-07
 
+