1. 1. Introduction
  2. 2. 第四章:K近邻算法
    1. 2.1. 4-1 K近邻算法基础
    2. 2.2. 4-2 scikit-learn中的机器学习算法的封装
    3. 2.3. 4-3 训练数据集,测试数据集
    4. 2.4. 4-4 分类准确度
    5. 2.5. 4-5 超参数
    6. 2.6. 4-6 网格搜索
    7. 2.7. 4-7 数据归一化 Feature Scaling
    8. 2.8. 4-8 scikit-learn中的Scaler
    9. 2.9. 4-9 更多有关K近邻算法的思考
  3. 3. 第五章:线性回归法
    1. 3.1. 5-1 简单线性回归
    2. 3.2. 5-2 最小二乘法
    3. 3.3. 5-3 简单线性回归的实现
    4. 3.4. 5-4 参数计算向量化
    5. 3.5. 5-5 衡量线性回归算法的指标
    6. 3.6. 5-6 最好的衡量线性回归法的指标 R Squared
    7. 3.7. 5-7 简单线性回归和正规方程解
    8. 3.8. 5-8 实现多元线性回归
    9. 3.9. 5-9 scikit-learn中的回归算法
    10. 3.10. 5-10 线性回归的可解释性和更多思考
  4. 4. 第六章:梯度下降法
    1. 4.1. 6-1 什么是梯度下降法
    2. 4.2. 6-2 模拟实现梯度下降法
    3. 4.3. 6-3 多元线性回归中的梯度下降法
    4. 4.4. 6-4 在线性回归模型中使用梯度下降法
    5. 4.5. 6-5 梯度下降的向量化
    6. 4.6. 6-6 随机梯度下降
    7. 4.7. 6-7 代码实现随机梯度下降
    8. 4.8. 6-8 调试梯度下降法
    9. 4.9. 6-9 有关梯度下降法的更多深入讨论
  5. 5. 第七章:PCA与梯度上升法
    1. 5.1. 7-1 什么是PCA
    2. 5.2. 7-2 使用梯度上升法求解主成分分析问题
    3. 5.3. 7-3 代码实现主成分分析问题
    4. 5.4. 7-4 求数据的前N个主成分
    5. 5.5. 7-5 高维数据向低维数据映射
    6. 5.6. 7-6 scikit learn中的PCA
    7. 5.7. 7-7 MNIST数据集
    8. 5.8. 7-8 使用PCA降噪
    9. 5.9. 7-9 人脸识别和特征脸(未完成)
  6. 6. 第八章:多项式回归与模型泛化
    1. 6.1. 8-1 什么是多项式回归
    2. 6.2. 8-2 scikit-learn中的多项式回归和pipeline
    3. 6.3. 8-3 过拟合和欠拟合
    4. 6.4. 8-4 为什么要训练数据集和测试数据集
    5. 6.5. 8-5 学习曲线
    6. 6.6. 8-6 验证数据集与交叉验证
    7. 6.7. 8-7 偏差方差权衡 Bias Variance Trade off
    8. 6.8. 8-8 模型正则化 Regularization
    9. 6.9. 8-9 LASSO Regularization
    10. 6.10. 8-10 L1,L2和弹性网络
  7. 7. 第九章:逻辑回归
    1. 7.1. 9-1 逻辑回归 Logistic Regression
    2. 7.2. 9-2 逻辑回归的损失函数
    3. 7.3. 9-3 逻辑回归算法损失函数的梯度
    4. 7.4. 9-4 实现逻辑回归算法
    5. 7.5. 9-5 决策边界
    6. 7.6. 9-6 在逻辑回归中使用多项式特征
    7. 7.7. 9-7 scikit-learn中的逻辑回归
    8. 7.8. 9-8 OvR与OvO
  8. 8. 第十章:评价分类结果
    1. 8.1. 10-1 准确度的陷阱和混淆矩阵
    2. 8.2. 10-2 精确率和召回率
    3. 8.3. 10-3 实现混淆矩阵、精准率、召回率
    4. 8.4. 10-4 F1 score
    5. 8.5. 10-5 Precision-Recall平衡
    6. 8.6. 10-6 precision-recall曲线
    7. 8.7. 10-7 ROC曲线
    8. 8.8. 10-8 多分类问题中的混淆矩阵
  9. 9. 第十一章:支撑向量机 SVM
    1. 9.1. 11-1 什么是支撑向量机
    2. 9.2. 11-2 支撑向量机的推导过程
    3. 9.3. 11-3 Soft Margin和SVM的正则化
    4. 9.4. 11-4 scikit-leran中的SVM
    5. 9.5. 11-5 SVM中使用多项式特征
    6. 9.6. 11-6 什么是核函数
    7. 9.7. 11-7 高斯核函数
    8. 9.8. 11-8 scikit-learn中的高斯核函数
    9. 9.9. 11-9 SVM思想解决回归问题
  10. 10. 第十二章:决策树
    1. 10.1. 12-1 什么是决策树
    2. 10.2. 12-2 信息熵
    3. 10.3. 12-3 使用信息寻找最优划分
    4. 10.4. 12-4 基尼系数
    5. 10.5. 12-5 CART和决策树中的超参数
    6. 10.6. 12-6 决策树解决回归问题
    7. 10.7. 12-7 决策树的局限性
  11. 11. 第十三章:集成学习和随机森林
    1. 11.1. 13-1 什么是集成学习
    2. 11.2. 13-2 soft voting
    3. 11.3. 13-3 bagging和pasting
    4. 11.4. 13-4 更多关于bagging的讨论
    5. 11.5. 13-5 随机森林和extra-trees
    6. 11.6. 13-6 ada boosting和gradiesnt boosting
    7. 11.7. 13-7 Stacking

LYBStudy