Python机器学习算法: 原理、实现与案例

9.3 算法实现

9.2 反向传播算法

9.1 神经网络

第9章 人工神经网络

8.4 项目实战

8.3 算法实现

8.2 K-Means++

8.1 K-Means

第8章 K-Means

7.4 项目实战

7.3 算法实现

7.2 kNN的一种实现：k-d树

7.1 kNN学习

第7章 k近邻学习

6.6 项目实战

6.5 算法实现

6.4 SMO算法

6.3 非线性支持向量机

6.2 线性支持向量机

6.1 线性可分支持向量机

第6章 支持向量机

5.4 项目实战

5.3 算法实现

5.2 模型参数估计

5.1 朴素贝叶斯模型

第5章 朴素贝叶斯

4.5 项目实战

4.4 算法实现

4.3 CART分类树与回归树

4.2 处理连续值特征

4.1 CART算法的改进

第4章 决策树——分类回归树

3.6 项目实战

3.5 绘制决策树

3.4 算法实现

3.3 切分特征的选择

3.2 生成决策树

3.1 决策树模型

第3章 决策树——分类树

2.4 项目实战

2.3 编码实现

2.2 Softmax回归

2.1 Logistic回归

第2章 Logistic回归与Softmax回归

1.5 项目实战

1.4 算法实现

1.3 梯度下降

1.2 最小二乘法

1.1 线性回归模型

第1章 线性回归

前言

作者简介

内容简介

版权信息

书名页

封面

封面

书名页

版权信息

内容简介

作者简介

前言

第1章 线性回归

1.1 线性回归模型

1.2 最小二乘法

1.3 梯度下降

1.4 算法实现

1.5 项目实战

第2章 Logistic回归与Softmax回归

2.1 Logistic回归

2.2 Softmax回归

2.3 编码实现

2.4 项目实战

第3章 决策树——分类树

3.1 决策树模型

3.2 生成决策树

3.3 切分特征的选择

3.4 算法实现

3.5 绘制决策树

3.6 项目实战

第4章 决策树——分类回归树

4.1 CART算法的改进

4.2 处理连续值特征

4.3 CART分类树与回归树

4.4 算法实现

4.5 项目实战

第5章 朴素贝叶斯

5.1 朴素贝叶斯模型

5.2 模型参数估计

5.3 算法实现

5.4 项目实战

第6章 支持向量机

6.1 线性可分支持向量机

6.2 线性支持向量机

6.3 非线性支持向量机

6.4 SMO算法

6.5 算法实现

6.6 项目实战

第7章 k近邻学习

7.1 kNN学习

7.2 kNN的一种实现：k-d树

7.3 算法实现

7.4 项目实战

第8章 K-Means

8.1 K-Means

8.2 K-Means++

8.3 算法实现

8.4 项目实战

第9章 人工神经网络

9.1 神经网络

9.2 反向传播算法

9.3 算法实现