機器學(xué)習(xí)：公式推導(dǎo)與代碼實現(xiàn)

機器學(xué)習(xí)：公式推導(dǎo)與代碼實現(xiàn)讀書筆記模板01思維導(dǎo)圖讀書筆記作者介紹內(nèi)容摘要目錄分析精彩摘錄目錄0305020406思維導(dǎo)圖機器代碼機器算法學(xué)習(xí)代碼推導(dǎo)邏輯小結(jié)第章算法模型推導(dǎo)原理機器方法線性代碼問題本書關(guān)鍵字分析思維導(dǎo)圖內(nèi)容摘要內(nèi)容摘要作為一門應(yīng)用型學(xué)科，機器學(xué)習(xí)植根于數(shù)學(xué)理論，落地于代碼實現(xiàn)。這就意味著，掌握公式推導(dǎo)和代碼編寫，方能更加深入地理解機器學(xué)習(xí)算法的內(nèi)在邏輯和運行機制。本書在對全部機器學(xué)習(xí)算法進行分類梳理的基礎(chǔ)之上，分別對監(jiān)督學(xué)習(xí)單模型、監(jiān)督學(xué)習(xí)集成模型、無監(jiān)督學(xué)習(xí)模型、概率模型四個大類共26個經(jīng)典算法進行了細(xì)致的公式推導(dǎo)和代碼實現(xiàn)，旨在幫助機器學(xué)習(xí)學(xué)習(xí)者和研究者完整地掌握算法細(xì)節(jié)、實現(xiàn)方法以及內(nèi)在邏輯。讀書筆記讀書筆記講的不錯，每個算法的特點解釋的很清楚，讀完對平時忽略的內(nèi)容再次撿了起來。部分?jǐn)?shù)學(xué)推導(dǎo)跳躍性較大、數(shù)學(xué)符號未提前解釋所表示的含義，有時難以理解算法是如何推導(dǎo)出來的，此外有些實現(xiàn)的算法和推導(dǎo)過程中的算法有些不一樣。目錄分析第一部分入門篇第1章機器學(xué)習(xí)預(yù)備知識1.1引言1.2關(guān)鍵術(shù)語與任務(wù)類型1.3機器學(xué)習(xí)三要素1.4機器學(xué)習(xí)核心1.5機器學(xué)習(xí)流程1.6NumPy必學(xué)必會1.7sklearn簡介1.8章節(jié)安排1.9小結(jié)第2章線性回歸第4章回歸模型拓展第3章對數(shù)幾率回歸第二部分監(jiān)督學(xué)習(xí)單模型第5章線性判別分析第6章近鄰算法第7章決策樹第8章神經(jīng)絡(luò)第9章支持向量機12345第二部分監(jiān)督學(xué)習(xí)單模型第2章線性回歸2.1杭州的二手房房價2.2線性回歸的原理推導(dǎo)2.3線性回歸的代碼實現(xiàn)2.4小結(jié)第3章對數(shù)幾率回歸3.1App開屏廣告3.2對數(shù)幾率回歸的原理推導(dǎo)3.3對數(shù)幾率回歸的代碼實現(xiàn)3.4小結(jié)第4章回歸模型拓展4.1回到杭州二手房房價4.2LASSO回歸原理推導(dǎo)4.3LASSO回歸的代碼實現(xiàn)4.4Ridge回歸的原理推導(dǎo)4.5Ridge回歸的代碼實現(xiàn)4.6小結(jié)第5章線性判別分析5.1LDA基本思想5.2LDA數(shù)學(xué)推導(dǎo)5.3LDA算法實現(xiàn)5.4小結(jié)第6章近鄰算法6.1“猜你喜歡”的推薦邏輯6.2距離度量方式6.3近鄰算法的基本原理6.4近鄰算法的代碼實現(xiàn)6.5小結(jié)第7章決策樹7.1“今天是否要打高爾夫”7.2決策樹7.3特征選擇：從信息增益到基尼指數(shù)7.4決策樹模型：從ID3到CART7.5決策樹剪枝7.6小結(jié)第8章神經(jīng)絡(luò)8.1無處不在的圖像識別8.2從感知機說起8.3從單層到多層8.4神經(jīng)絡(luò)的廣闊天地8.5小結(jié)第9章支持向量機9.1重新從感知機出發(fā)9.2線性可分支持向量機9.3近似線性可分支持向量機9.4線性不可分支持向量機9.5小結(jié)第10章AdaBoost第11章GBDT第12章XGBoost第13章LightGBM第14章CatBoost12345第三部分監(jiān)督學(xué)習(xí)集成模型第16章集成學(xué)習(xí)：對比與調(diào)參第15章隨機森林第三部分監(jiān)督學(xué)習(xí)集成模型第10章AdaBoost10.1什么是Boosting10.2AdaBoost算法的原理推導(dǎo)10.3AdaBoost算法實現(xiàn)10.4小結(jié)第11章GBDT11.1從提升樹到梯度提升樹11.2GBDT算法的原理推導(dǎo)11.3GBDT算法實現(xiàn)11.4小結(jié)第12章XGBoost12.1XGBoost：極度梯度提升樹12.2XGBoost算法的原理推導(dǎo)12.3XGBoost算法實現(xiàn)12.4小結(jié)第13章LightGBM13.1XGBoost可優(yōu)化的地方13.2LightGBM基本原理13.3LightGBM算法實現(xiàn)13.4小結(jié)第14章CatBoost14.1機器學(xué)習(xí)中類別特征的處理方法14.2CatBoost理論基礎(chǔ)14.3CatBoost算法實現(xiàn)14.4小結(jié)第15章隨機森林15.1Bagging：另一種集成學(xué)習(xí)框架15.2隨機森林的基本原理15.3隨機森林的算法實現(xiàn)15.4小結(jié)第16章集成學(xué)習(xí)：對比與調(diào)參16.1三大Boosting算法對比16.2常用的超參數(shù)調(diào)優(yōu)方法16.3小結(jié)第17章聚類分析與k均值聚類算法第19章奇異值分解第18章主成分分析第四部分無監(jiān)督學(xué)習(xí)模型第17章聚類分析與k均值聚類算法17.1距離度量和相似度度量方式17.2聚類算法一覽17.3k均值聚類算法的原理推導(dǎo)17.4k均值聚類算法實現(xiàn)17.5小結(jié)第18章主成分分析18.1PCA原理推導(dǎo)18.2PCA算法實現(xiàn)18.3小結(jié)第19章奇異值分解19.1特征向量與矩陣分解19.2SVD算法的原理推導(dǎo)19.3SVD算法實現(xiàn)與應(yīng)用19.4小結(jié)第20章最大信息熵模型第21章貝葉斯概率模型第22章EM算法第23章隱馬爾可夫模型第五部分概率模型第25章馬爾可夫鏈蒙特卡洛方法第24章條件隨機場第五部分概率模型第20章最大信息熵模型20.1最大信息熵原理20.2最大信息熵模型的推導(dǎo)20.3小結(jié)第21章貝葉斯概率模型21.1貝葉斯定理簡介21.2樸素貝葉斯21.3貝葉斯絡(luò)21.4小結(jié)第22章EM算法22.1極大似然估計22.2EM算法的原理推導(dǎo)22.3EM算法實現(xiàn)22.4小結(jié)第23章隱馬爾可夫模型23.1什么是概率圖模型23.2HMM的定義與相關(guān)概念23.3HMM的三個經(jīng)典問題23.4小結(jié)第24章條件隨機場24.1從生活畫像到詞性標(biāo)注問題24.2概率無向圖24.3CRF的定義與形式24.4CRF的三大問題24.5小結(jié)第25章馬爾可夫鏈蒙特卡洛方法25.1前置知識與相關(guān)概念25.2MCMC的原理推導(dǎo)25.3MCMC與貝葉斯推斷25.4小結(jié)第六部分總結(jié)第26章機器學(xué)習(xí)模型總結(jié)26.1