精通机器学习算法

本书将数学理论与实例相结合，这些实例以最优选的通用机器学习框架为基础，由Python实现，向读者介绍更复杂的算法。全书共25章，包括机器学习模型基础、损失函数和正则化、半监督学习导论、高级半监督分类、基于图的半监督学习、聚类和无监督学习模型、高级聚类和无监督学习模型、面向营销的聚类和无监督学习模型、广义线性模型和回归、时序分析导论、贝叶斯网络和隐马尔可夫模型、优选期望算法、成分分析和降维、赫布学习、集成学习基础、高级提升算法、神经网络建模、神经网络优化、深度卷积网络、循环神经网络、自编码器、生成对抗网络导论、深度置信网络、强化学习导论和高级策略估计算法。

前言
第1章机器学习模型基础1
1.1模型和数据1
1.2机器学习模型的特性21
1.2.1可学习性21
1.2.2模型能力22
1.2.3估计器的偏差25
1.2.4估计器的方差28
1.3本章小结32
扩展阅读32
第2章损失函数和正则化33
2.1损失函数和代价函数的定义33
2.2正则化39
2.3本章小结46
扩展阅读46
第3章半监督学习导论47
3.1半监督学习场景47
3.1.1因果场景48
3.1.2直推学习49
3.1.3归纳学习50
3.1.4半监督假设50
3.2生成式高斯混合54
3.2.1生成式高斯混合理论54
3.2.2生成式高斯混合模型实例56
3.2.3生成式高斯混合小结62
3.3自训练算法64
3.3.1自训练理论64
3.3.2鸢尾属植物数据集的自训练实例66
3.3.3自训练小结69
3.4协同训练算法70
3.4.1协同训练理论70
3.4.2葡萄酒数据集的协同训练实例71
3.4.3协同训练小结76
3.5本章小结76
扩展阅读·76
第4章高级半监督分类·78
4.1对比悲观似然估计78
4.1.1对比悲观似然估计理论79
4.1.2对比悲观似然估计实例80
4.1.3对比悲观似然估计小结84
4.2半监督支持向量机（S3VM）·84
4.2.1S3VM理论84
4.2.2S3VM实例87
4.2.3S3VM小结93
4.3直推支持向量机（TSVM）·93
4.3.1TSVM理论94
4.3.2TSVM实例94
4.3.3TSVM小结·102
4.4本章小结103
扩展阅读103
第5章基于图的半监督学习105
5.1标签传播算法105
5.1.1标签传播算法实例·108
5.1.2scikit-learn的标签传播算法112
5.2标签扩散算法114
5.2.1标签扩散算法实例·116
5.2.2拉普拉斯矩阵正则化提升平滑度·117
5.3基于马尔可夫随机游走的标签传播算法121
5.4流形学习126
5.4.1等距特征映射流形学习算法·126
5.4.2局部线性嵌入算法·129
5.4.3拉普拉斯谱嵌入算法·131
5.4.4t-SNE133
5.5本章小结137
扩展阅读137
第6章聚类和无监督学习模型139
6.1k最近邻（KNN）算法139
6.1.1k−d树143
6.1.2球树·143
6.1.3KNN模型的拟合144
6.1.4scikit-learn的KNN实例145
6.2k均值147
6.2.1k均值++方法·150
6.2.2scikit-learn的k均值算法实例151
6.3评估指标154
6.3.1一致性评分·155
6.3.2完整性评分·155
6.3.3调整兰德指数（相似性）·156
6.3.4轮廓系数·157
6.4本章小结160
扩展阅读161
第7章高级聚类和无监督学习模型162
7.1模糊c均值162
7.2谱聚类168
7.3DBSCAN174
7.3.1scikit-learn的DBSCAN实例177
7.3.2DBSCAN结果的分析180
7.4本章小结183
扩展阅读184
第8章面向营销的聚类和无监督学习模型185
8.1双聚类185
8.2利用Apriori算法的购物篮分析190
8.3本章小结195
……