[正版]机器学习 公式推导与代码实现 统计学习方法机器学习算法python数据科学机器学习公式详解Numpy数据处理人

        店铺公告

  为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。

温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）。

  关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

序
前言
第 *章 机器学习预备知识    2
*.* 引言    2
*.2 关键术语与任务类型    2
*.3 机器学习三要素    3
*.4 机器学*核心    4
*.5 机器学习流程    5
*.6 NumPy*学*会    7
*.6.* *建数组    7
*.6.2 数组的索引与切片    9
*.6.3 数组的基础运算    *0
*.6.4 数组维度变换    **
*.6.5 数组合并与切分    *2
*.7 sklearn简介    *3
*.8章节安排    *4
*.9 小结    *6
第 2章 线性回归    *8
2.* 杭州的二手房房*    *8
2.2 线性回归的原理推导    *9
2.3 线性回归的代码实现    22
2.3.* 编写思路    22
2.3.2 基于NumPy的代码实现    23
2.3.3 基于sklearn的模型实现    28
2.4 小结    29
第3章 逻辑回归    30
3.* App开屏广告    30
3.2 逻辑回归的原理推导    3*
3.3 逻辑回归的代码实现    33
3.3.* 编写思路    33
3.3.2 基于NumPy的逻辑回归实现    34
3.3.3 基于sklearn的逻辑回归实现    4*
3.4 小结    4*
第4章 回归模型拓展    42
4.* 回到杭州二手房房*    42
4.2 LASSO回归的原理推导    42
4.3 LASSO回归的代码实现    44
4.3.* 编写思路    44
4.3.2 基于NumPy的LASSO回归实现    45
4.3.3 基于sklearn的LASSO回归实现    49
4.4 Ridge回归的原理推导    49
4.5 Ridge回归的代码实现    50
4.6 小结    54
第5章 线性判别分析    55
5.* LDA基本思想    55
5.2 LDA数学推导    56
5.3 LDA算法实现    57
5.3.* 基于NumPy的LDA算法实现    57
5.3.2 基于sklearn的LDA算法实现    60
5.4 小结    6*
第6章 k近邻算法    62
6.* “猜你喜欢”的推荐逻辑    62
6.2 距离度量方式    63
6.3 k 近邻算法的基本原理    64
6.4 k 近邻算法的代码实现    64
6.4.* 编写思路    64
6.4.2 基于NumPy的k近邻算法实现    65
6.4.3 基于sklearn的k近邻算法实现    7*
6.5 小结    7*
第7章 决策树    72
7.* “今天是否要打*尔夫”    72
7.2 决策树    73
7.3 *征选择：从信息增益到基尼指数    75
7.3.* 什么是*征选择    75
7.3.2 信息增益    75
7.3.3 信息增益比    78
7.3.4 基尼指数    79
7.4 决策树模型：从ID3到CART    8*
7.4.* ID3    8*
7.4.2 C4.5    85
7.4.3 CART分类树    86
7.4.4 CART回归树    86
7.4.5 CART算法实现    88
7.5 决策树剪枝    95
7.6 小结    96
第8章 *经网络    97
8.* *处*在的图像识别    97
8.2 从感知机说起    98
8.2.* 感知机推导    98
8.2.2 基于NumPy的感知机实现    *00
8.3 从单层到多层    *03
8.3.* *经网络与反向传播    *03
8.3.2 基于NumPy的*经网络搭建    *05
8.4 *经网络的广阔天地    **4
8.5 小结    **4
第9章 支持向量机    **5
9.* 重新从感知机出发    **5
9.2 线性可分支持向量机    **6
9.2.* 线性可分支持向量机的原理推导    **6
9.2.2 线性可分支持向量机的算法实现    *20
9.3 近似线性可分支持向量机    *25
9.3.* 近似线性可分支持向量机的原理推导    *25
9.3.2 近似线性可分支持向量机的算法实现    *28
9.4 线性*可分支持向量机    *32
9.4.* 线性*可分与核技巧    *32
9.4.2 SMO算法    *35
9.4.3 线性*可分支持向量机的算法实现    *37
9.5 小结    *42
第 *0章 AdaBoost    *44
*0.* 什么是Boosting    *44
*0.2 AdaBoost算法的原理推导    *44
*0.2.* AdaBoost基本原理    *44
*0.2.2 AdaBoost与前向分步算法    *46
*0.3 AdaBoost算法实现    *47
*0.3.* 基于NumPy的AdaBoost算法实现    *47
*0.3.2 基于sklearn的AdaBoost算法实现    *53
*0.4 小结    *53
第 **章 GBDT    *54
**.* 从提*树到梯度提*树    *54
**.2 GBDT算法的原理推导    *54
**.3 GBDT算法实现    *57
**.3.* 从零开始实现*个GBDT算法系统    *57
**.3.2 基于sklearn的GBDT实现    *6*
**.4 小结    *62
第 *2章 XGBoost    *63
*2.* XGBoost：*度梯度提*树    *63
*2.2 XGBoost算法的原理推导    *64
*2.3 XGBoost算法实现    *68
*2.3.* XGBoost实现：基于GBDT的改进    *68
*2.3.2 原生库XGBoost示例    *72
*2.4 小结    *74
第 *3章 LightGBM    *75
*3.* XGBoost可*化的地方    *75
*3.2 LightGBM基本原理    *75
*3.2.* 直方图算法    *75
*3.2.2 单边梯度抽样    *76
*3.2.3 互斥*征捆绑算法    *77
*3.2.4 leaf-wise生长策略    *78
*3.3 LightGBM算法实现    *79
*3.4 小结    *8*
第 *4章 CatBoost    *82
*4.* 机器学习中类别*征的处理方法    *82
*4.2 CatBoost理论基础    *83
*4.2.* 目标变量统计    *83
*4.2.2 *征组合    *84
*4.2.3 排序提*算法    *84
*4.3 CatBoost算法实现    *86
*4.4 小结    *88
第 *5章 随机森林    *89
*5.* Bagging：另*种集成学习框架    *89
*5.2 随机森林的基本原理    *90
*5.3 随机森林的算法实现    *9*
*5.3.* 基于NumPy的随机森林算法实现    *9*
*5.3.2 基于sklearn的随机森林算法实现    *95
*5.4 小结    *96
第 *6章 集成学习：对比与调参    *97
*6.* 三大Boosting算法对比    *97
*6.2 常用的*参数调*方法    20*
*6.2.* 网格搜索法    20*
*6.2.2 随机搜索    202
*6.2.3 贝叶斯调参    203
*6.3 小结    205
第 *7章 聚类分析与k均值聚类算法    208
*7.* 距离度量和相似度度量方式    208
*7.2 聚类算法*览    209
*7.3 k均值聚类算法的原理推导    2**
*7.4 k均值聚类算法实现    2*2
*7.4.* 基于NumPy的k均值聚类算法实现    2*2
*7.4.2 基于sklearn的k均值聚类算法实现    2*7
*7.5 小结    2*7
第 *8章 主成分分析    2*8
*8.* PCA算法的原理推导    2*8
*8.2 PCA算法实现    220
*8.2.* 基于NumPy的PCA算法实现    220
*8.2.2 基于sklearn的PCA算法实现    222
*8.3 小结    223
第 *9章 奇异值分解    224
*9.* *征向量与矩阵分解    224
*9.2 SVD算法的原理推导    225
*9.3 SVD算法实现与应用  226
*9.3.* SVD算法实现    226
*9.3.2 基于SVD的图像去噪    227
*9.4 小结    23*
第 20章 *大信息熵模型    234
20.**大信息熵原理    234
20.2 *（大信息熵模型的推导    234
20.3 小结    237
第 2*章 贝叶斯概率模型    238
2*.* 贝叶斯定理简介    238
2*.2 朴素贝叶斯    239
2*.2.* 朴素贝叶斯的原理推导    239
2*.2.2 基于NumPy的朴素贝叶斯实现    240
2*.2.3 基于sklearn的朴素贝叶斯实现    243
2*.3 贝叶斯网络    244
2*.3.* 贝叶斯网络的原理推导    244
2*.3.2 借助于pgmpy的贝叶斯网络实现    246
2*.4 小结    249
第 22章 EM算法    250
22.* *大似然估计    250
22.2 EM算法的原理推导    25*
22.3 EM算法实现    253
22.4 小结    255
第 23章 隐马尔可夫模型    256
23.* 什么是概率图模型    256
23.2 HMM的定义与相关概念    257
23.3 HMM的三个*问题    262
23.3.* 概率计算问题与前向/后向算法    262
23.3.2 参数估计问题与Baum-Welch算法    266
23.3.3 序列标注问题与维*比算法    269
23.4 小结    27*
第 24章 条件随机场    272
24.* 从生活画像到词性标注问题    272
24.2 概率*向图    273
24.3 CRF的定义与形式    275
24.4 CRF的三大问题    277
24.4.* CRF的概率计算问题    277
24.4.2 CRF的参数估计问题    278
24.4.3 CRF的序列标注问题    279
24.4.4 基于sklearn_crfsuite的CRF代码实现    28*
24.5 小结    28*
第 25章 马尔可夫链蒙*卡洛方法    283
25.* 前置知识与相关概念    283
25.*.* 马尔可夫链    283
25.*.2 蒙*卡洛算法    285
25.2 MCMC的原理推导    287
25.2.* MCMC采样    287
25.2.2 Metropolis-Hasting采样算法    289
25.2.3 Gibbs采样算法    29*
25.3 MCMC与贝叶斯推断    296
25.4 小结    296
第 26章 机器学习模型总结    298
26.* 机器学习模型的归纳与分类    298
26.*.* 单模型与集成模型    300
26.*.2 监督模型与*监督模型    30*
26.*.3 生成式模型与判别式模型    30*
26.*.4 概率模型与非概率模型    302
26.2 本书的*足和未来展望    303
参考文献    305