目 录__eol__第1章 了解机器学习 001__eol__1.1 机器学习的基本术语 001__eol__1.1.1 大数据相关概念 001__eol__1.1.2 机器学习的发展历程概述 003__eol__1.1.3 机器学习的应用现状 003__eol__1.2 机器学习的基本流程 004__eol__1.3 机器学习的发展现状 006__eol__1.4 机器学习的环境搭建 008__eol__1.4.1 Anaconda 008__eol__1.4.2 PyCharm 014__eol__1.4.3 汉诺塔案例 018__eol__1.4.4 机器学习常用package的安装与介绍 020__eol__第2章 线性回归 023__eol__2.1 线性回归与逻辑回归 023__eol__2.1.1 线性回归模型 023__eol__2.1.2 优化方法 024__eol__2.1.3 损失函数 024__eol__2.1.4 损失函数的优化 025__eol__2.1.5 过拟合和欠拟合 027__eol__2.1.6 利用正则化解决过拟合问题 028__eol__2.1.7 逻辑回归 028__eol__2.1.8 逻辑回归的损失函数 029__eol__2.1.9 逻辑回归实现多分类 031__eol__2.1.10 逻辑回归与线性回归的比较 031__eol__2.2 决策树 032__eol__2.2.1 决策树的建立 032__eol__2.2.2 剪枝 037__eol__2.2.3 CART剪枝 038__eol__2.3 贝叶斯分类器 038__eol__2.3.1 贝叶斯最优分类器 039__eol__2.3.2 极大似然估计 040__eol__2.3.3 朴素贝叶斯分类器 040__eol__2.4 支持向量机 041__eol__2.4.1 支持向量机的原理 041__eol__2.4.2 线性可分支持向量机 042__eol__2.4.3 非线性支持向量机和核函数 044__eol__2.4.4 线性支持向量机与松弛变量 045__eol__2.5 案例 046__eol__2.5.1 线性回归案例 046__eol__2.5.2 逻辑回归案例 050__eol__2.5.3 决策树分类案例 055__eol__2.5.4 支持向量机分类案例 060__eol__第3章 模型评估与选择 067__eol__3.1 经验误差和过拟合 067__eol__3.1.1 从统计学的角度介绍模型的概念 067__eol__3.1.2 关于误差的说法 068__eol__3.1.3 统计学中的过拟合 069__eol__3.1.4 机器学习中的过拟合与欠拟合 070__eol__3.2 模型验证策略 072__eol__3.2.1 留出法 072__eol__3.2.2 交叉验证法 075__eol__3.3 模型的性能度量 079__eol__3.3.1 基本概念 079__eol__3.3.2 性能度量 080__eol__3.3.3 回归性能度量指标 081__eol__3.3.4 回归问题的评估方法 085__eol__第4章 特征提取与降维 089__eol__4.1 特征提取方法——过滤法 089__eol__4.1.1 过滤法的原理及特点 089__eol__4.1.2 过滤法的基本类型 090__eol__4.1.3 过滤法的具体方法 090__eol__4.2 特征提取方法——封装法 094__eol__4.2.1 封装法的思想 094__eol__4.2.2 封装法的代表方法 094__eol__4.3 特征提取方法——嵌入法 095__eol__4.3.1 嵌入法的思想 095__eol__4.3.2 嵌入法的代表方法 095__eol__4.4 K-近邻学习 095__eol__4.4.1 K-近邻学习简介 095__eol__4.4.2 KNN模型 096__eol__4.4.3 KNN模型举例 097__eol__4.4.4 KNN模型的特点 098__eol__4.5 主成分分析 098__eol__4.5.1 主成分分析的定义 098__eol__4.5.2 主成分分析原理 099__eol__4.6 K-近邻学习案例 101__eol__4.6.1 实验步骤 101__eol__4.6.2 实验结果 104__eol__4.7 主成分分析案例（PCA降维） 106__eol__4.7.1 实验步骤 106__eol__4.7.2 实验结果 107__eol__4.7.3 PCA参数介绍 108__eol__第5章 无监督学习 110__eol__5.1 K-means聚类模型原理 110__eol__5.1.1 无监督学习 110__eol__5.1.2 聚类简介 111__eol__5.1.3 K-means聚类模型原理 112__eol__5.2 基于层次的分群 115__eol__5.2.1 层次聚类简介 115__eol__5.2.2 层次聚类的原理 117__eol__5.3 基于密度的分群 122__eol__5.3.1 DBSCAN算法介绍 122__eol__5.3.2 DBSCAN算法评价 124__eol__5.4 聚类模型性能度量 127__eol__5.4.1 聚类结果好坏的评估指标 127__eol__5.4.2 距离度量 129__eol__5.5 案例分析 130__eol__5.5.1 二分K-means聚类案例 130__eol__5.5.2 基于DBSCAN和AGNES算法的聚类 134__eol__第6章 关联规则及推荐算法 139__eol__6.1 关联规则 139__eol__6.1.1 关联规则简介 139__eol__6.1.2 关联规则相关术语 140__eol__6.1.3 关联规则算法 142__eol__6.2 Apriori算法简介 143__eol__6.3 基于内容的过滤和协同过滤 145__eol__6.3.1 基于内容的过滤 145__eol__6.3.2 基于协同过滤的推荐 146__eol__6.3.3 基于用户的协同过滤 147__eol__6.3.4 推荐算法的条件 147__eol__6.4 基于项目的协同过滤 150__eol__6.4.1 协同过滤简介 150__eol__6.4.2 协同过滤算法的主要步骤 151__eol__6.4.3 应用场景 153__eol__6.4.4 基于人口统计学的推荐机制 154__eol__6.5 案例分析 155__eol__6.5.1 Apriori算法的实验步骤 155__eol__6.5.2 基于用户的协同过滤算法的实验步骤 158__eol__6.5.3 基于项目的推荐算法的实验步骤 164__eol__第7章 启发式学习 167__eol__7.1 启发式学习的介绍 167__eol__7.1.1 搜索算法 167__eol__7.1.2 预测建模算法 168__eol__7.2 爬山算法 168__eol__7.2.1 爬山算法的描述 168__eol__7.2.2 爬山算法优缺点的分析 169__eol__7.3 遗传算法 169__eol__7.3.1 遗传算法概述 169__eol__7.3.2 遗传算法的过程 170__eol__7.3.3 遗传算法实例 170__eol__7.4 模拟退火 176__eol__7.4.1 模拟退火算法简介 176__eol__7.4.2 模拟退火参数控制 177__eol__7.4.3 模拟退火算法的步骤 178__eol__7.5 粒子群算法 179__eol__7.5.1 粒子群算法简介 179__eol__7.5.2 粒子群算法的流程 179__eol__7.6 案例分析 181__eol__7.6.1 粒子群算法案例 181__eol__7.6.2 爬山算法案例 185__eol__7.6.3 遗传算法案例 187__eol__7.6.4 退火算法案例 191__eol__第8章 集成学习 194__eol__8.1 集成学习的基本术语 194__eol__8.1.1 集成学习的相关概念 194__eol__8.1.2 集成学习的分类 195__eol__8.2 Boosting算法 196__eol__8.3 AdaBoost算法 197__eol__8.4 Bagging算法 199__eol__8.5 随机森林 200__eol__8.6 结合策略 201__eol__8.7 集成学习案例 203__eol__8.7.1 随机森林案例 203__eol__8.7.2 AdaBoost案例 208__eol__第9章 强化学习 214__eol__9.1 强化学习概述 214__eol__9.1.1 强化学习的定义 214__eol__9.1.2 强化学习的特点 215__eol__9.2 K-摇臂赌博机模型 216__eol__9.2.1 K-摇臂赌博机简介 216__eol__9.2