机器学习原理与实践(开源图书)-总目录

CSDN专栏: 机器学习原理与实践(开源图书)
CSDN专栏: 深度学习原理与实践(开源图书)

现在我们有了足够的基础设施收集数据和处理数据的能力，诸如：物联网、全球导航系统、互联网、工业互联网、电信网络、移动通信网络、传感器网络、云计算、超级计算机集群。从海量数据中建立模型或发现有用的知识才能将数据矿藏变成真实的知识财富，而挖矿的工具就是机器学习。

一起阅读和完善: 机器学习&深度学习原理与实践(开源图书)。告别碎片阅读，构成知识谱系。

第1章 机器学习概述

• 机器学习-10:机器学习简史
• 机器学习-11:机器学习的分类
• 机器学习-12:机器学习的通用流程
• 机器学习-13:机器学习常见数据集
• 机器学习-14:机器学习开源项目

第2章 机器学习的理论基础

• 机器学习-20:人工智能的理论基础
• 机器学习-21:概率论基础
• 机器学习-22:信息论和信息熵
• 机器学习-23:矩阵理论和范数

第3章 特征工程与模型选择

• 机器学习-30:特征工程与模型选择
• 机器学习-31:模型误差与过拟合
• 机器学习-32:性能度量
• 机器学习-33:偏差与方差

第4章 回归算法

• 机器学习-41:线性回归算法(Linear Regression)
• 机器学习-42:非线性回归算法(Non-linear Regression)
• 机器学习-43:多项式回归算法(Polynomial Regression)

第5章 分类算法

• 机器学习-51:逻辑回归分类算法(Logistic Regression)
• 机器学习-52:K最近邻分类算法(k-Nearest Neighbor-KNN)
• 机器学习-53:朴素贝叶斯分类算法(Naive Bayesian, NB)
• 机器学习-54:集成学习分类算法(ada-boost)
• 机器学习-55:支持向量机分类算法(Support Vector Machine)
• 机器学习-56:决策树分类算法(Decision Tree)
• 机器学习-57:人工神经网络分类算法(Artificial Neural Network)

第6章 降维聚类算法

• 机器学习-61:K均值聚类算法(K-Means Clustering)
• 机器学习-62:层次聚类算法(Hierarchical Clustering)
• 机器学习-63:混合高斯模型(Gaussian Mixture Model)聚类算法
• 机器学习-64:线性判别分析(Linear Discriminant Analysis)降维算法
• 机器学习-65:主成因分析(Principal Component Analysis)降维算法

第7章 机器学习实例(SkLearn)

• 机器学习-71:探索SkLearn的数据集
• 机器学习-72:SkLearn的回归算法实战
• 机器学习-75:SkLearn的特征工程实战

以下章节TODO:

• 机器学习-73:SkLearn的分类算法实战
• 机器学习-74:SkLearn的聚类算法实战

第8章 机器学习实例(Tensorflow) 本章TODO

• 机器学习-81:探索Tensorflow的数据集
• 机器学习-82:Tensorflow的回归算法实战
• 机器学习-83:Tensorflow的分类算法实战
• 机器学习-84:Tensorflow的聚类算法实战
• 机器学习-85:Tensorflow的特征工程实战

第9章 机器学习高级话题 本章TODO

• 机器学习-91:隐马尔科夫模型(Hidden Markov Model)
• 机器学习-92:遗传算法(理论&实践&多图)

相关文章

• CSDN专栏: 机器学习理论与实践(开源图书)
• CSDN专栏: 深度学习理论与实践(开源图书)
• Github: 机器学习&深度学习理论与实践(开源图书)

参考资料

• [1] 周志华. 机器学习. 清华大学出版社. 2016.
• [2] [日]杉山将. 图解机器学习. 人民邮电出版社. 2015.
• [3] 佩德罗·多明戈斯. 终极算法-机器学习和人工智能如何重塑世界. 中信出版社. 2018.