跟我一起學機器學習

本書系統地闡述機器學習中常見的幾類演算模型，包括模型的思想、原理及實現細節等。同時，本書還結合了當前熱門的機器學習框架sklearn，對書中所涉及的模型在用法上進行詳細講解。

全書共10章，第1章介紹機器學習開發環境的配置；第2章講解線性回歸模型的基本原理、回歸模型中常見的幾種評價指標，以及用於有監督模型訓練的梯度下降演算；第3章介紹邏輯回歸模型的基本原理和分類模型中常見的幾種評價指標；第4章介紹模型的改善與泛化，包括特徵標準化、如何避免過擬合及如何進行模型選擇等；第5章講解K近鄰分類演算的基本原理及kd樹的構造與搜索；第6章介紹樸素貝葉斯演算的基本原理；第7章介紹幾種常見的文本特徵提取與模型複用，包括詞袋模型和TF-IDF等；第8章講解決策樹與集成學習，包括幾種經典的決策樹生成演算和集成模型；第9章介紹支持向量機的基本原理與求解過程；第10章介紹幾種經典的聚類演算及相應的評價指標計算方法。

本書包含大量的代碼示例及實際案例介紹，可以作為計算機相關專業學生入門機器學習的讀物，也可以作為非計算機專業及培訓機構的參考用書。

第1章 環境配置
1.1 安裝Conda
1.1.1 Windows環境
1.1.2 Linux環境
1.2 替換源
1.3 Conda環境管理
1.3.1 虛擬環境安裝
1.3.2 虛擬環境使用
1.4 PyCharm安裝與配置
1.5 小結

第2章 線性回歸
2.1 模型的建立與求解
2.1.1 理解線性回歸模型
2.1.2 建立線性回歸模型
2.1.3 求解線性回歸模型
2.1.4 sklearn簡介
2.1.5 安裝sklearn及其他庫
2.1.6 線性回歸示例代碼
2.1.7 小結
2.2 多變數線性回歸
2.2.1 理解多變數
2.2.2 多變數線性回歸建模
2.2.3 多變數回歸示例代碼
2.3 多項式回歸
2.3.1 理解多項式
2.3.2 多項式回歸建模
2.3.3 多項式回歸示例代碼
2.3.4 小結
2.4 回歸模型評估
2.4.1 常見回歸評估指標
2.4.2 回歸指標示例代碼
2.4.3 小結
2.5 梯度下降
2.5.1 方向導數與梯度
2.5.2 梯度下降演算法
2.5.3 小結
2.6 正態分佈
2.6.1 一個問題的出現
2.6.2 正態分佈
2.7 目標函數推導
2.7.1 目標函數
2.7.2 求解梯度
2.7.3 向量化計算
2.7.4 從零實現線性回歸
2.7.5 小結

第3章 邏輯回歸
3.1 模型的建立與求解
3.1.1 理解邏輯回歸模型
3.1.2 建立邏輯回歸模型
3.1.3 求解邏輯回歸模型