导语

  

内容提要

  

    本书以机器学习的算法为主线，深入剖析算法的概念和数学原理，以通俗形象的语言进行讲解，让读者无须储备很多数学知识，就能看懂数学公式所表达的意思，从而快速掌握机器学习的思想和原理。本书首先介绍机器学习的基本概念及工具，然后从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中的主要算法，如线性回归算法、Logistic回归算法、KNN算法、朴素贝叶斯算法、决策树算法、支持向量机算法、K-means聚类算法、神经网络、集成学习方法等。

    莫凡，新技术深度爱好者，曾经从事信息安全前沿技术跟踪研究和数据分析工作，在各类信息安全类技术期刊发表文章五十余篇，现转为投身高端知识“白菜化”项目，希望能让将更多听起来高大上的名词沾一沾“人间烟火”，成为日常生活中真正用得上的知识。

前言
第1章  机器学习概述
  1.1  什么是机器学习
  1.2  机器学习的几个需求层次
  1.3  机器学习的基本原理
  1.4  机器学习的基本概念
    1.4.1  书中用到的术语介绍
    1.4.2  机器学习的基本模式
    1.4.3  优化方法
  1.5  机器学习问题分类
  1.6  常用的机器学习算法
  1.7  机器学习算法的性能衡量指标
  1.8  数据对算法结果的影响
第2章  机器学习所需的环境
  2.1  常用环境
  2.2  Python简介
    2.2.1  Python的安装
    2.2.2  Python的基本用法
  2.3  Numpy简介
    2.3.1  Numpy的安装
    2.3.2  Numpy的基本用法
  2.4  Scikit-Learn简介
    2.4.1  Scikit-Learn的安装
    2.4.2  Scikit-Learn的基本用法
  2.5  Pandas简介
    2.5.1  Pandas的安装
    2.5.2  Pandas的基本用法
第3章  线性回归算法
  3.1  线性回归：“钢铁直男”解决回归问题的正确方法
    3.1.1  用于预测未来的回归问题
    3.1.2  怎样预测未来
    3.1.3  线性方程的“直男”本性
    3.1.4  最简单的回归问题——线性回归问题
  3.2  线性回归的算法原理
    3.2.1  线性回归算法的基本思路
  ……
第4章  Logistic回归分类算法
第5章  KNN分类算法
第6章  朴素贝叶斯分类算法
第7章  决策树分类算法
第8章  支持向量机分类算法
第9章  K-means聚类算法
第10章  神经网络分类算法
第11章  集成学习方法