Summary

• Introduction
• 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
  • 总结
• 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
  • 60分钟上手PyTorch