作为一门应用型学科,机器学习植根于数学理论,落地于代码实现。这就意味着,掌握公式推导和代码编写,方能更加深入地理解机器学习算法的内在逻辑和运行机制。
本书在对全部机器学习算法进行分类梳理的基础之上,分别对监督学习单模型、监督学习集成模型、无监督学习模型、概率模型四个大类共26个经典算法进行了细致的公式推导和代码实现,旨在帮助机器学习学习者和研究者完整地掌握算法细节、实现方法以及内在逻辑。
序
前言
第1章 机器学习预备知识
第2章 线性回归
第3章 逻辑回归
第4章 回归模型拓展
第5章 线性判别分析
第6章 k近邻算法
第7章 决策树
第8章 神经网络
第9章 支持向量机
第10章 AdaBoost
第11章 GBDT
第12章 XGBoost
第13章 LightGBM
第14章 CatBoost
第15章 随机森林
第16章 集成学习:对比与调参
第17章 聚类分析与k均值聚类算法
第18章 主成分分析
第19章 奇异值分解
第20章 最大信息熵模型
第21章 贝叶斯概率模型
第22章 EM算法
第23章 隐马尔可夫模型
第24章 条件随机场
第25章 马尔可夫链蒙特卡洛方法
第26章 机器学习模型总结
参考文献 305
下载地址
https://pan.baidu.com/s/1Vp7A0vPSLmGxqWhAlSuphw
- 如需提取码:[打开微信]->[扫描下方二维码]->[关注数据与人] 回复”4585″ 获取提取码
-