部分  分類
章  機器學習基礎
1.1   何謂機器學習
1.1.1   傳感器和海量數據
1.1.2   機器學習非常重要
1.2   關鍵術語
1.3   機器學習的主要任務
1.4   如何選擇合適的算法
1.5   開發機器學習應用程序的步驟
1.6   Python語言的優勢
1.6.1   可執行偽代碼
1.6.2   Python比較流行
1.6.3   Python語言的特色
1.6.4   Python語言的缺點
1.7   NumPy函數庫基礎
1.8   本章小結
第2章  k-近鄰算法
2.1   k-近鄰算法概述
2.1.1   準備：使用Python導入數據
2.1.2   從文本文件中解析數據
2.1.3   如何測試分類器
2.2   示例：使用k-近鄰算法改進約會網站的配對效果
2.2.1   準備數據：從文本文件中解析數據
2.2.2   分析數據：使用Matplotlib創建散點圖
2.2.3   準備數據：歸一化數值
2.2.4   測試算法：作為完整程序驗證分類器
2.2.5   使用算法：構建完整可用繫統
2.3   示例：手寫識別繫統
2.3.1   準備數據：將圖像轉換為測試向量
2.3.2   測試算法：使用k-近鄰算法識別手寫數字
2.4   本章小結
第3章  決策樹
3.1   決策樹的構造
3.1.1   信息增益
3.1.2   劃分數據集
3.1.3   遞歸構建決策樹
3.2   在Python中使用Matplotlib注解繪制樹形圖
3.2.1   Matplotlib注解
3.2.2   構造注解樹
3.3   測試和存儲分類器
3.3.1   測試算法：使用決策樹執行分類
3.3.2   使用算法：決策樹的存儲
3.4   示例：使用決策樹預測隱形眼鏡類型
3.5   本章小結
第4章  基於概率論的分類方法：樸素貝葉斯
4.1   基於貝葉斯決策理論的分類方法
4.2   條件概率
4.3   使用條件概率來分類
4.4   使用樸素貝葉斯進行文檔分類
4.5   使用Python進行文本分類
4.5.1   準備數據：從文本中構建詞向量
4.5.2   訓練算法：從詞向量計算概率
4.5.3   測試算法：根據現實情況修改分類器
4.5.4   準備數據：文檔詞袋模型
4.6   示例：使用樸素貝葉斯過濾垃圾郵件
4.6.1   準備數據：切分文本
4.6.2   測試算法：使用樸素貝葉斯進行交叉驗證
4.7   示例：使用樸素貝葉斯分類器從個人廣告中獲取區域傾向
4.7.1   收集數據：導入RSS源
4.7.2   分析數據：顯示地域相關的用詞
4.8   本章小結
第5章  Logistic回歸
5.1   基於Logistic回歸和Sigmoid函數的分類
5.2   基於最優化方法的最佳回歸繫數確定
5.2.1   梯度上升法
5.2.2   訓練算法：使用梯度上升找到最佳參數
5.2.3   分析數據：畫出決策邊界
5.2.4   訓練算法：隨機梯度上升
5.3   示例：從疝氣病癥預測病馬的死亡率
5.3.1   準備數據：處理數據中的缺失值
5.3.2   測試算法：用Logistic回歸進行分類
5.4   本章小結
第6章  支持向量機
6.1   基於優選間隔分隔數據
6.2   尋找優選間隔
6.2.1   分類器求解的優化問題
6.2.2   SVM應用的一般框架
6.3   SMO高效優化算法
6.3.1   Platt的SMO算法
6.3.2   應用簡化版SMO算法處理小規模數據集
6.4   利用完整Platt SMO算法加速優化
6.5   在復雜數據上應用核函數
6.5.1   利用核函數將數據映射到高維空間
6.5.2   徑向基核函數
6.5.3   在測試中使用核函數
6.6   示例：手寫識別問題回顧
6.7   本章小結
第7章  利用AdaBo算法提高分類
性能
7.1   基於數據集多重抽樣的分類器
7.1.1   bagging：基於數據隨機重抽樣的分類器構建方法
7.1.2   boosting
7.2   訓練算法：基於錯誤提升分類器的性能
7.3   基於單層決策樹構建弱分類器
7.4   完整AdaBoost算法的實現
7.5   測試算法：基於AdaBoost的分類
7.6   示例：在一個難數據集上應用AdaBoost
7.7   非均衡分類問題
7.7.1   其他分類性能度量指標：正確率、召回率及ROC曲線
7.7.2   基於代價函數的分類器決策控制
7.7.3   處理非均衡問題的數據抽樣方法
7.8   本章小結
第二部分  利用回歸預測數值型數據
第8章  預測數值型數據：回歸
8.1   用線性回歸找到最佳擬合直線
8.2   局部加權線性回歸
8.3   示例：預測鮑魚的年齡
8.4   縮減繫數來“理解”數據
8.4.1   嶺回歸
8.4.2   lasso
8.4.3   前向逐步回歸
8.5   權衡偏差與方差
8.6   示例：預測樂高玩具套裝的價格
8.6.1   收集數據：使用Google購物的API
8.6.2   訓練算法：建立模型
8.7   本章小結
第9章  樹回歸
9.1   復雜數據的局部性建模
9.2   連續和離散型特征的樹的構建
9.3   將CART算法用於回歸
9.3.1   構建樹
9.3.2   運行代碼
9.4   樹剪枝
9.4.1   預剪枝
9.4.2   後剪枝
9.5   模型樹
9.6   示例：樹回歸與標準回歸的比較
9.7   使用Python的Tkinter庫創建GUI
9.7.1   用Tkinter創建GUI
9.7.2   集成Matplotlib和Tkinter
9.8   本章小結
第三部分  無監督學習
0章  利用K-均值聚類算法對未標注數據分組
10.1   K-均值聚類算法
10.2   使用後處理來提高聚類性能
10.3   二分K-均值算法
10.4   示例：對地圖上的點進行聚類
10.4.1   Yahoo！ PlaceFinder API
10.4.2   對地理坐標進行聚類
10.5   本章小結
1章  使用Apriori算法進行關聯分析
11.1   關聯分析
11.2   Apriori原理
11.3   使用Apriori算法來發現頻繁集
11.3.1   生成候選項集
11.3.2   組織完整的Apriori算法
11.4   從頻繁項集中挖掘關聯規則
11.5   示例：發現國會投票中的模式
11.5.1   收集數據：構建美國國會投票記錄的事務數據集
11.5.2   測試算法：基於美國國會投票記錄挖掘關聯規則
11.6   示例：發現毒蘑菇的相似特征
11.7   本章小結
2章  使用FP-growth算法來高效發現頻繁項集
12.1   FP樹：用於編碼數據集的有效方式
12.2   構建FP樹
12.2.1   創建FP樹的數據結構
12.2.2   構建FP樹
12.3   從一棵FP樹中挖掘頻繁項集
12.3.1   抽取條件模式基
12.3.2   創建條件FP樹
12.4   示例：在Twitter源中發現一些共現詞
12.5   示例：從新聞網站點擊流中挖掘
12.6   本章小結
第四部分  其他工具
3章  利用PCA來簡化數據
13.1   降維技術
13.2   PCA
13.2.1   移動坐標軸
13.2.2   在NumPy中實現PCA
13.3   示例：利用PCA對半導體制造數據降維
13.4   本章小結
4章  利用SVD簡化數據
14.1   SVD的應用
14.1.1   隱性語義索引
14.1.2   推薦繫統
14.2   矩陣分解
14.3   利用Python實現SVD
14.4   基於協同過濾的推薦引擎
14.4.1   相似度計算
14.4.2   基於物品的相似度還是基於用戶的相似度？
14.4.3   推薦引擎的評價
14.5   示例：餐館菜肴推薦引擎
14.5.1   推薦未嘗過的菜肴
14.5.2   利用SVD提高推薦的效果
14.5.3   構建推薦引擎面臨的挑戰
14.6   基於SVD的圖像壓縮
14.7   本章小結
5章  大數據與MapReduce
15.1   MapReduce：分布式計算的框架
15.2   Hadoop流
15.2.1   分布式計算均值和方差的mapper
15.2.2   分布式計算均值和方差的reducer
15.3   在Amazon網絡服務上運行Hadoop程序
15.3.1   AWS上的可用服務
15.3.2   開啟Amazon網絡服務之旅
15.3.3   在EMR上運行Hadoop作業
15.4   MapReduce上的機器學習
15.5   在Python中使用mrjob來自動化MapReduce
15.5.1   mrjob與EMR的無縫集成
15.5.2   mrjob的一個MapReduce腳本剖析
15.6   示例：分布式SVM的Pegasos算法
15.6.1   Pegasos算法
15.6.2   訓練算法：用mrjob實現MapReduce版本的SVM
15.7   你真的需要MapReduce嗎？
15.8   本章小結
附錄A   Python入門
附錄B   線性代數
附錄C   概率論復習
附錄D   資源
索引
版權聲明
●