ailearning/docs

MachineLearning

Mahchine Leaning in Action (python)

第一部分 分类

• 1. 机器学习基础
  • 机器学习是什么
    • 把无序的数据转换成有用的信息。
  • 机器学习的意义
    • 我们利用计算机来彰显数据背后的真实含义。
  • 监督学习
    • 样本集：训练数据 + 测试数据
    • 特征(feature-是否有缺失情况) + 目标变量(分类-离散值<A/B/C、 是/否>/回归-连续值<0~100、 -999～999>)
    • 知识表示：机器已经学会如何识别鸟类的过程
      • 1.可以采用规则集的形式
      • 2.可以采用概率分布的形式
      • 3.可以使训练样本集中的一个实例
  • 非监督学习
  • 开发的步骤
    • 1.收集数据
    • 2.准备输入数据
    • 3.分析输入数据
    • 4.训练算法
    • 5.测试算法
    • 6.使用算法
  • Python相关的库
    • 科学函数库：SciPy、NumPy(底层语言：C和Fortran)
    • 绘图工具库：Matplotlib
• 2. k-紧邻算法
• 3. 决策树
• 4. 基于概率论的分类方法：朴素贝叶斯
• 5. Logistic回归
• 6. 支持向量机
• 7. 利用AdaBoost元算法提高分类

第二部分 利用回归预测数值型数据

• 8. 预测数值型数据：回归
• 9. 数回归

第三部分 无监督学习

• 10. 使用K-均值聚类算法对未标注数据分组
• 11. 使用Apriori算法进行关联分析
• 12. 使用FP-growth算法来高效发现频繁项集

第四部分 其他工具

• 13. 使用PCA来简化数据
• 14. 使用SVD简化数据
• 15. 大数据与MapReduce

---

• 附录A Python入门
• 附录B 线性代数
• 附录C 概率论复习
• 附录D 资源
• 索引
• 版权声明