机器学习及Python应用(大数据时代的统计与人工智能系列教材)

本书对机器学习的核心 方法进行了深入而详细的介 绍，并特别关注各学科常 用的算法。特色在于力 图以生动的语言、较多的插 图与大量的实例来直观地解 释机器学习的原理。同时， 结合主流的Python语言，及 时地介绍相应的软件操作与 经典案例，为读者提供“一 站式”服务。本书还提供详 尽的数学推导，尽量避免跳 跃，并辅以直观的文字解释 。对于看似复杂的机器学习 原理，则删繁就简，娓娓道 来，让读者渐入佳境。 本书适合普通高等学校 理、工、农、医以及经济管 理等社会科学类的高年级本 科生与研究生使用。先修课 包括微积分、线性代数与概 率统计，但不要求有编程或 Python语言经验。本书将从 零开始，让读者快速体会到 Python语言的美妙与威力。

第1章 绪论 1.1 什么是机器学习 1.2 机器学习的分类 1.3 机器学习的术语 1.4 机器如何学习 1.5 机器学习与统计学、计量经济学的关系 第2章 Python入门 2.1 为何使用Python 2.2 Python与Spyder的安装 2.3 计算器与赋值 2.4 模块 2.5 字符串 2.6 布尔型 2.7 列表 2.8 元组 2.9 字典 2.10 集合 2.11 数组 2.12 数据框 2.13 缺失值 2.14 描述性统计 2.15 使用Matplotlit画图 2.16 使用pandas与seaborn画图 2.17 读写数据 2.18 随机抽样 2.19 条件语句 2.20 循环语句 2.21 函数 2.22 类 2.23 进一步学习Python的资源 习题 第3章 数学回顾 3.1 微积分 3.2 最优化 3.3 线性代数 3.4 概率统计 习题 第4章 线性回归 4.1 监督学习的回归问题 4.2 最优预测 4.3 线性回归模型 4.4 最小二乘法 4.5 OLS的正交性与几何解释 4.6 施密特正交化与QR分解 4.7 拟合优度 4.8 过拟合与泛化能力 4.9 偏差与方差的权衡 4.10 模型评估的再抽样方法 4.11 线性回归的Python案例 习题 第5章 逻辑回归 5.1 逻辑回归 5.2 最大似然估计 5.3 Logit模型的解释 …… 第6章 多项逻辑回归 第7章 判别分析 第8章 朴素贝叶斯 第9章 惩罚回归 第10章 K近邻法 第11章 决策树 第12章 随机森林 第13章 提升法 第14章 支持向量机 第15章 人工神经网络 第16章 主成分分析 第17章 聚类分析 第18章 数据科学的Python语言 参考文献