更新时间：2024-12-27 19:20:38
封面
版权信息
内容简介
作者简介
前言
符号说明
绪论
0.1 本书讲什么，初衷是什么
0.2 贯穿本书的两大思维模式
0.2.1 提问的思维方式
0.2.2 发散的思维方式
0.3 这本书决定它还想要这样
0.3.1 第一性原理
0.3.2 奥卡姆剃刀原理
0.4 如何使用本书
第1章 步入监督学习之旅
1.1 机器学习从数据开始
1.2 监督学习是什么
1.2.1 基本术语
1.2.2 学习过程如同一场科学推理
1.3 如何评价模型的好坏
1.3.1 评价模型的量化指标
1.3.2 拟合能力
1.3.3 泛化能力
1.4 损失最小化思想
1.5 怎样理解模型的性能：方差-偏差折中思想
1.6 如何选择最优模型
1.6.1 正则化：对模型复杂程度加以惩罚
1.6.2 交叉验证：样本的多次重复利用
1.7 本章小结
1.8 习题
第2章 线性回归模型
2.1 探寻线性回归模型
2.1.1 诺贝尔奖中的线性回归模型
2.1.2 回归模型的诞生
2.1.3 线性回归模型结构
2.2 最小二乘法
2.2.1 回归模型用哪种损失：平方损失
2.2.2 如何估计模型参数：最小二乘法
2.3 线性回归模型的预测
2.3.1 一元线性回归模型的预测
2.3.2 多元线性回归模型的预测
2.4 拓展部分：岭回归与套索回归
2.4.1 岭回归
2.4.2 套索回归
2.5 案例分析——共享单车数据集
2.6 本章小结
2.7 习题
第3章 K近邻模型
3.1 邻友思想
3.2 K近邻算法
3.2.1 聚合思想
3.2.2 K近邻模型的具体算法
3.2.3 K近邻算法的三要素
3.2.4 K近邻算法的可视化
3.3 最近邻分类器的误差率
3.4 k维树
3.4.1 k维树的构建
3.4.2 k维树的搜索
3.5 拓展部分：距离度量学习的K近邻分类器
3.6 案例分析——鸢尾花数据集
3.7 本章小结
3.8 习题
第4章 贝叶斯推断
4.1 贝叶斯思想
4.1.1 什么是概率
4.1.2 从概率到条件概率
4.1.3 贝叶斯定理
4.2 贝叶斯分类器
4.2.1 贝叶斯分类
4.2.2 朴素贝叶斯分类
4.3 如何训练贝叶斯分类器
4.3.1 极大似然估计：概率最大化思想
4.3.2 贝叶斯估计：贝叶斯思想
4.4 常用的朴素贝叶斯分类器
4.4.1 离散属性变量下的朴素贝叶斯分类器
4.4.2 连续特征变量下的朴素贝叶斯分类器
4.5 拓展部分
4.5.1 半朴素贝叶斯
4.5.2 贝叶斯网络
4.6 案例分析——蘑菇数据集
4.7 本章小结
4.8 习题
4.9 阅读时间：贝叶斯思想的起源
第5章 逻辑回归模型
5.1 一切始于逻辑函数
5.1.1 逻辑函数
5.1.2 逻辑斯谛分布
5.1.3 逻辑回归
5.2 逻辑回归模型的学习
5.2.1 加权最小二乘法
5.2.2 极大似然法
5.3 逻辑回归模型的学习算法
5.3.1 梯度下降法
5.3.2 牛顿法
5.4 拓展部分
5.4.1 拓展1：多分类逻辑回归模型
5.4.2 拓展2：非线性逻辑回归模型
5.5 案例分析——离职数据集
5.6 本章小结
