Python机器学习 完整pdf_Python教程
资源名称:Python机器学习 完整pdf 第1章 赋予计算机学习数据的能力11.1构建智能机器将数据转化为知识11.2 机器学习的三种不同方法11.2.1 通过监督学习对未来事件进行预测21.2.2 通过强化学习解决交互式问题41.2.3 通过无监督学习发现数据本身潜在的结构41.2.4 基本术语及符号介绍51.3 构建机器学习系统的蓝图61.3.1 数据预处理61.3.2 选择预测模型类型并进行训练71.3.3 模型验证与使用未知数据进行预测81.4 Python在机器学习中的应用8本章小结9第2章 机器学习分类算法102.1 人造神经元—早期机器学习概览102.2 使用Python实现感知器学习算法132.3 自适应线性神经元及其学习的收敛性192.3.1 通过梯度下降最小化代价函数202.3.2 使用Python实现自适应线性神经元212.3.3 大规模机器学习与随机梯度下降25本章小结29第3章 使用scikit-learn实现机器学习分类算法303.1 分类算法的选择303.2 初涉scikit-learn的使用30使用scikit-learn训练感知器313.3 逻辑斯谛回归中的类别概率343.3.1 初识逻辑斯谛回归与条件概率343.3.2 通过逻辑斯谛回归模型的代价函数获得权重363.3.3 使用scikit-learn训练逻辑斯谛回归模型373.3.4 通过正则化解决过拟合问题393.4 使用支持向量机最大化分类间隔413.4.1 对分类间隔最大化的直观认识413.4.2 使用松弛变量解决非线性可分问题423.4.3 使用scikit-learn实现SVM443.5 使用核SVM解决非线性问题443.6 决策树483.6.1 最大化信息增益—获知尽可能准确的结果493.6.2 构建决策树523.6.3 通过随机森林将弱分类器集成为强分类器533.7 惰性学习算法—k-近邻算法54本章小结57第4章 数据预处理—构建好的训练数据集584.1 缺失数据的处理584.1.1 将存在缺失值的特征或样本删除594.1.2 缺失数据填充604.1.3 理解scikit-learn预估器的API604.2 处理类别数据614.2.1 有序特征的映射614.2.2...