Python机器学习简介 第一章 让计算机从数据中学习 将数据转化为知识 三类机器学习算法 第二章 训练机器学习分类算法 透过人工神经元一窥早期机器学习历史 使用Python实现感知机算法 基于Iris数据集训练感知机模型 自适应线性神经元及收敛问题 Python实现自适应线性神经元 大规模机器学习和随机梯度下降 第三章 使用Scikit-learn进行分类器之旅 如何选择合适的分类器算法 scikit-learn之旅 逻辑斯蒂回归对类别概率建模 使用正则化解决过拟合 支持向量机 使用松弛变量解决非线性可分的情况 使用核SVM解决非线性问题 决策树学习 最大信息增益 构建一棵决策树 随机森林 k近邻——一个懒惰学习算法 总结 第四章 构建一个好的训练集---数据预处理 处理缺失值 消除带有缺失值的特征或样本 改写缺失值 理解sklearn中estimator的API 处理分类数据 将数据集分割为训练集和测试集 统一特征取值范围 选择有意义的特征 利用随机森林评估特征重要性 总结 第五章 通过降维压缩数据 PCA进行无监督降维 聊一聊方差 特征转换 LDA进行监督数据压缩 原始数据映射到新特征空间 使用核PCA进行非线性映射 用Python实现核PCA 映射新的数据点 sklearn中的核PCA 总结 第六章 模型评估和调参 通过管道创建工作流 K折交叉验证评估模型性能 使用学习曲线和验证曲线 调试算法 通过网格搜索调参 通过嵌套交叉验证选择算法 不同的性能评价指标 第七章 集成学习 集成学习 结合不同的分类算法进行投票 第八章 深度学习之PyTorch