資料收集中！
一.資料圖片
二.資料簡介
本書對于機器學習的核心方法，進行了深入而詳細的介紹，并特別關(guān)注各學科最常用的算法。最大特色在于力圖以生動的語言、較多的插圖與大量的實例來直觀地解釋機器學習的原理。同時，結(jié)合主流的Python語言，及時地介紹相應的軟件操作與經(jīng)典案例，為讀者提供“一站式”服務。本書還提供詳盡的數(shù)學推導，盡量避免跳躍，并輔以直觀的文字解釋。對于看似復雜的機器學習原理，則刪繁就簡，娓娓道來，讓讀者漸入佳境。
本書適合普通高等學校理、工、農(nóng)、醫(yī)、計算機、統(tǒng)計學以及經(jīng)濟管理、社會科學類的高年級本科生與研究生使用。先修課包括微積分、線性代數(shù)與概率統(tǒng)計，但不要求有編程或Python語言經(jīng)驗。本書將從零開始，讓讀者快速體會到Python語言的美妙與威力。
三.資料目錄
第1章 緒論
1.1 什么是機器學習
1.2 機器學習的分類
1.3 機器學習的術(shù)語
1.4 機器如何學習
1.5 機器學習與統(tǒng)計學、計量經(jīng)濟學的關(guān)系
第2章 Python入門
2.1 為何使用Python
2.2 Python與Spyder的安裝
2.3 計算器與賦值
2.4 模塊
2.5 字符串
2.6 布爾型
2.7 列表
2.8 元組
2.9 字典
2.10 集合
2.11 數(shù)組
2.12 數(shù)據(jù)框
2.13 缺失值
2.14 描述性統(tǒng)計
2.15 使用Matplotlib畫圖
2.16 使用pandas與seaborn畫圖
2.17 讀寫數(shù)據(jù)
2.18 隨機抽樣
2.19 條件語句
2.20 循環(huán)語句
2.21 函數(shù)
2.22 類
2.23 進一步學習Python的資源
第3章 數(shù)學回顧
3.1 微積分
3.1.1 導數(shù)
3.1.2 偏導數(shù)
3.1.3 方向?qū)?shù)
3.1.4 向量微分
3.2 最優(yōu)化
3.2.1 一元最優(yōu)化
3.2.2 多元最優(yōu)化
3.2.3 約束極值問題：等式約束
3.2.4約束極值問題：非負約束
3.2.5約束極值問題：不等式約束
3.2.6 最優(yōu)化算法
3.3 線性代數(shù)
3.3.1 矩陣
3.3.2 方陣
3.3.3 矩陣的轉(zhuǎn)置
3.3.4 向量
3.3.5 矩陣的加法
3.3.6 矩陣的數(shù)乘
3.3.7 矩陣的乘法
3.3.8 線性方程組
3.3.9 逆矩陣
3.3.10 矩陣的秩
3.3.11 正交矩陣
3.3.12 矩陣的特征值與特征向量
3.3.13 實對稱矩陣的對角化與譜分解
3.3.14 二次型
3.4 概率統(tǒng)計
3.4.1 概率
3.4.2 條件概率
3.4.3 獨立事件
3.4.4 全概率公式
3.4.5 貝葉斯公式
3.4.6 離散型概率分布
3.4.7 連續(xù)型概率分布
3.4.8 多維隨機向量的概率分布
3.4.9 條件分布
3.4.10隨機向量的數(shù)字特征
3.4.11 迭代期望定律
3.4.12 隨機變量無關(guān)的三個層次概念
3.4.13 正態(tài)分布
3.4.14 最大似然估計
第4章 線性回歸
4.1 監(jiān)督學習的回歸問題
4.2 最優(yōu)預測
4.3 線性回歸模型
4.4 最小二乘法
4.5 OLS的正交性與幾何解釋
4.6 施密特正交化與QR分解
4.7 擬合優(yōu)度
4.8 過擬合與泛化能力
4.9 偏差與方差的權(quán)衡
4.10 模型評估的再抽樣方法
4.11 線性回歸的Python案例
第5章 邏輯回歸
5.1 邏輯回歸
5.2 最大似然估計
5.3 Logit模型的解釋
5.4 非線性模型的擬合優(yōu)度
5.5 Logit模型的預測
5.6 二分類模型的評估
5.7 ROC與AUC
5.8 科恩的kappa
5.9 邏輯回歸的Python案例
第6章 多項邏輯回歸
6.1 多項邏輯回歸
6.2 最大似然估計
6.3 多項邏輯回歸的解釋
6.4 多項邏輯回歸的Python案例
第7章 判別分析
7.1 貝葉斯決策理論
7.2 線性判別分析
7.3 二次判別分析
7.4 費雪線性判別分析
7.5 費雪線性判別與基于正態(tài)的線性判別之關(guān)系
7.6 多分類問題的費雪判別分析
7.7 判別分析的Python案例
附錄A7.1 總體中的多分類費雪判別分析
附錄A7.2 樣本中的多分類費雪判別分析
附錄A7.3 線性判元對于組間方差的貢獻率
第8章 樸素貝葉斯
8.1 樸素貝葉斯
8.2 拉普拉斯修正
8.3 樸素貝葉斯的Python案例
第9章 懲罰回歸
9.1 高維回歸的挑戰(zhàn)
9.2 嶺回歸
9.3 嶺回歸的計算
9.4 嶺回歸的幾何解釋
9.5 套索估計量
9.6 套索估計量的計算
9.7 調(diào)節(jié)變量的選擇
9.8 彈性網(wǎng)估計量
9.9 懲罰回歸的Python案例
附錄A9.1 估計量均方誤差的分解
附錄A9.2 次梯度向量與次微分
附錄A9.3 連續(xù)凸函數(shù)的最小化定理
附錄A9.4 標準正交設計下Lasso問題的解析解
第10章 K近鄰法
10.1 回歸問題的K近鄰法
10.2 如何選擇K
10.3分類問題的K近鄰法
10.4 K近鄰法的優(yōu)缺點
10.5 K近鄰法的Python案例
第11章 決策樹
11.1 分類樹的啟發(fā)案例
11.2 二叉樹的數(shù)學本質(zhì)
11.3 分類樹的分裂準則
11.4 信息理論
11.5 成本復雜性修枝
11.6 回歸樹
11.7 C5.0算法
11.8 決策樹的優(yōu)缺點
11.9 回歸樹的Python案例
11.10 分類樹的Python案例
第12章 隨機森林
12.1 集成學習
12.2 裝袋法
12.3 裝袋法的原理
12.4 袋外誤差
12.5 隨機森林
12.6 變量重要性
12.7 偏依賴圖
12.8 回歸問題的隨機森林Python案例
12.9 分類問題的隨機森林Python案例
第13章 提升法
13.1 自適應提升法
13.2 AdaBoost的統(tǒng)計解釋
13.3 回歸問題的提升法
13.4 回歸問題的其他損失函數(shù)
13.5 梯度提升法
13.6 二分類問題的邏輯損失函數(shù)
13.7 多分類問題的交叉熵損失函數(shù)
13.8 隨機梯度提升
13.9 回歸提升樹的Python案例
13.10 二分類提升樹的Python案例
13.11 多分類提升樹的Python案例
13.12 XGBoost算法
附錄A13.1 交叉熵損失函數(shù)
第14章 支持向量機
14.1 分離超平面
14.2 最大間隔分類器
14.3 軟間隔分類器
14.4 軟間隔分類器的統(tǒng)計解釋
14.5 支持向量機
14.6 多分類問題的支持向量機
14.7 支持向量回歸
14.8 支持向量機的優(yōu)缺點
14.9 支持向量機的Python案例：模擬數(shù)據(jù)
14.10 支持向量機的二分類Python案例
14.11 支持向量機的多分類Python案例
14.12 支持向量回歸的Python案例
第15章 人工神經(jīng)網(wǎng)絡
15.1 人工神經(jīng)網(wǎng)絡的思想
15.2 感知機
15.3 神經(jīng)網(wǎng)絡的模型
15.4 神經(jīng)網(wǎng)絡的激活函數(shù)
15.5 通用函數(shù)近似器
15.6 神經(jīng)網(wǎng)絡的損失函數(shù)
15.7 神經(jīng)網(wǎng)絡的算法
15.8 神經(jīng)網(wǎng)絡的小批量訓練
15.9 神經(jīng)網(wǎng)絡的正則化
15.10 卷積神經(jīng)網(wǎng)絡
15.11 使用sklearn估計回歸問題的神經(jīng)網(wǎng)絡
15.12 使用sklearn估計分類問題的神經(jīng)網(wǎng)絡
15.13 使用Keras估計回歸問題的神經(jīng)網(wǎng)絡
15.14 使用Keras估計二分類問題的神經(jīng)網(wǎng)絡
15.15 使用Keras估計多分類問題的神經(jīng)網(wǎng)絡
15.16 使用Keras估計卷積神經(jīng)網(wǎng)絡
第16章 主成分分析
16.1 總體中的主成分分析
16.2 方差分解
16.3樣本中的主成分分析
16.4 主成分分析的應用
16.5 主成分分析的Python案例
16.6 主成分回歸的Python案例
第17章 聚類分析
17.1 K均值聚類的思想
17.2 K均值聚類的算法
17.3 如何選擇K
17.4 分層聚類
17.5 基于相關(guān)系數(shù)的距離指標
17.6 K均值聚類的Python案例
17.7 分層聚類的Python案例
第18章 數(shù)據(jù)科學的Python語言
18.1 何為數(shù)據(jù)科學
18.2 讀寫文件
18.3 輸入數(shù)據(jù)
18.4 缺失值
18.5 重復觀測值
18.6 合并數(shù)據(jù)
18.7 Sci-Kit Learn的管線類
18.8 結(jié)束語