• 文章介绍
  • 评价建议
  • 资源名称:Python机器学习算法 PDF 

    内容简介:

    《Python机器学习算法》是一本机器学习入门读物,注重理论与实践的结合。全书主要包括6个部分,每个部分均以典型的机器学习算法为例,从算法原理出发,由浅入深,详细介绍算法的理论,并配合目前流行的Python语言,从零开始,实现每一个算法,以加强对机器学习算法理论的理解、增强实际的算法实践能力,最终达到熟练掌握每一个算法的目的。与其他机器学习类图书相比,《Python机器学习算法》同时包含算法理论的介绍和算法的实践,以理论支撑实践,同时,又将复杂、枯燥的理论用简单易懂的形式表达出来,促进对理论的理解。

    资源目录:

    0 绪论 1

    0.1 机器学习基础 1

    0.1.1 机器学习的概念 1

    0.1.2 机器学习算法的分类 2

    0.2 监督学习 3

    0.2.1 监督学习 3

    0.2.2 监督学习的流程 3

    0.2.3 监督学习算法 4

    0.3 无监督学习 4

    0.3.1 无监督学习 4

    0.3.2 无监督学习的流程 4

    0.3.3 无监督学习算法 5

    0.4 推荐系统和深度学习 6

    0.4.1 推荐系统 6

    0.4.2 深度学习 6

    0.5 Python和机器学习算法实践 6

    参考文献 7

    第一部分 分类算法

    1 Logistic Regression 10

    1.1 Logistic Regression模型 10

    1.1.1 线性可分VS线性不可分 10

    1.1.2 Logistic Regression模型 11

    1.1.3 损失函数 13

    1.2 梯度下降法 14

    1.2.1 梯度下降法的流程 14

    1.2.2 凸优化与非凸优化 15

    1.2.3 利用梯度下降法训练Logistic Regression模型 17

    1.3 梯度下降法的若干问题 18

    1.3.1 选择下降的方向 18

    1.3.2 步长的选择 19

    1.4 Logistic Regression算法实践 20

    1.4.1 利用训练样本训练Logistic Regression模型 20

    1.4.2 最终的训练效果 22

    1.4.3 对新数据进行预测 23

    参考文献 26

    2 Softmax Regression 27

    2.1 多分类问题 27

    2.2 Softmax Regression算法模型 28

    2.2.1 Softmax Regression模型 28

    2.2.2 Softmax Regression算法的代价函数 28

    2.3 Softmax Regression算法的求解 29

    2.4 Softmax Regression与Logistic Regression的关系 31

    2.4.1 Softmax Regression中的参数特点 31

    2.4.2 由Softmax Regression到Logistic Regression 31

    2.5 Softmax Regression算法实践 32

    2.5.1 对Softmax Regression算法的模型进行训练 33

    2.5.2 最终的模型 34

    2.5.3 对新的数据的预测 35

    参考文献 39

    3 Factorization Machine 40

    3.1 Logistic Regression算法的不足 40

    3.2 因子分解机FM的模型 42

    3.2.1 因子分解机FM模型 42

    3.2.2 因子分解机FM可以处理的问题 43

    3.2.3 二分类因子分解机FM算法的损失函数 43

    3.3 FM算法中交叉项的处理 43

    3.3.1 交叉项系数 43

    3.3.2 模型的求解 44

    3.4 FM算法的求解 45

    3.4.1 随机梯度下降(Stochastic Gradient Descent) 45

    3.4.2 基于随机梯度的方式求解 45

    3.4.3 FM算法流程 46

    3.5 因子分解机FM算法实践 49

    3.5.1 训练FM模型 50

    3.5.2 最终的训练效果 53

    3.5.3 对新的数据进行预测 55

    参考文献 57

    4 支持向量机 58

    4.1 二分类问题 58

    4.1.1 二分类的分隔超平面 58

    4.1.2 感知机算法 59

    4.1.3 感知机算法存在的问题 61

    4.2 函数间隔和几何间隔 61

    4.2.1 函数间隔 62

    4.2.2 几何间隔 62

    4.3 支持向量机 63

    4.3.1 间隔最大化 63

    4.3.2 支持向量和间隔边界 64

    4.3.3 线性支持向量机 65

    4.4 支持向量机的训练 66

    4.4.1 学习的对偶算法 66

    4.4.2 由线性支持向量机到非线性支持向量机 68

    4.4.3 序列最小最优化算法SMO 69

    4.5 支持向量机SVM算法实践 74

    4.5.1 训练SVM模型 74

    4.5.2 利用训练样本训练SVM模型 81

    4.5.3 利用训练好的SVM模型对新数据进行预测 85

    参考文献 88

    5 随机森林 89

    5.1 决策树分类器 89

    5.1.1 决策树的基本概念 89

    5.1.2 选择最佳划分的标准 91

    5.1.3 停止划分的标准 94

    5.2 CART分类树算法 95

    5.2.1 CART分类树算法的基本原理 95

    5.2.2 CART分类树的构建 95

    5.2.3 利用构建好的分类树进行预测 98

    5.3 集成学习(Ensemble Learning) 99

    5.3.1 集成学习的思想 99

    5.3.2 集成学习中的典型方法 99

    5.4 随机森林(Random Forests) 101

    5.4.1 随机森林算法模型 101

    5.4.2 随机森林算法流程 102

    5.5 随机森林RF算法实践 104

    5.5.1 训练随机森林模型 105

    5.5.2 最终的训练结果 109

    5.5.3 对新数据的预测 110

    参考文献 113

    6 BP神经网络 114

    6.1 神经元概述 114

    6.1.1 神经元的基本结构 114

    6.1.2 激活函数 115

    6.2 神经网络模型 116

    6.2.1 神经网络的结构 116

    6.2.2 神经网络中的参数说明 117

    6.2.3 神经网络的计算 117

    6.3 神经网络中参数的求解 118

    6.3.1 神经网络损失函数 118

    6.3.2 损失函数的求解 119

    6.3.3 BP神经网络的学习过程 120

    6.4 BP神经网络中参数的设置 126

    6.4.1 非线性变换 126

    6.4.2 权重向量的初始化 126

    6.4.3 学习率 127

    6.4.4 隐含层节点的个数 127

    6.5 BP神经网络算法实践 127

    6.5.1 训练BP神经网络模型 128

    6.5.2 最终的训练效果 132

    6.5.3 对新数据的预测 133

    参考文献 136

    第二部分 回归算法

    7 线性回归 138

    7.1 基本线性回归 138

    7.1.1 线性回归的模型 138

    7.1.2 线性回归模型的损失函数 139

    7.2 线性回归的最小二乘解法 140

    7.2.1 线性回归的最小二乘解法 140

    7.2.2 广义逆的概念 141

    7.3 牛顿法 141

    7.3.1 基本牛顿法的原理 141

    7.3.2 基本牛顿法的流程 142

    7.3.3 全局牛顿法 142

    7.3.4 Armijo搜索 144

    7.3.5 利用全局牛顿法求解线性回归模型 145

    7.4 利用线性回归进行预测 146

    7.4.1 训练线性回归模型 147

    7.4.2 最终的训练结果 149

    7.4.3 对新数据的预测 150

    7.5 局部加权线性回归 152

    7.5.1 局部加权线性回归模型 152

    7.5.2 局部加权线性回归的最终结果 153

    参考文献 154

    8 岭回归和Lasso回归 155

    8.1 线性回归存在的问题 155

    8.2 岭回归模型 156

    8.2.1 岭回归模型 156

    8.2.2 岭回归模型的求解 156

    8.3 Lasso回归模型 157

    8.4 拟牛顿法 158

    8.4.1 拟牛顿法 158

    8.4.2 BFGS校正公式的推导 158

    8.4.3 BFGS校正的算法流程 159

    8.5 L-BFGS求解岭回归模型 162

    8.5.1 BGFS算法存在的问题 162

    8.5.2 L-BFGS算法思路 162

    8.6 岭回归对数据的预测 165

    8.6.1 训练岭回归模型 166

    8.6.2 最终的训练结果 168

    8.6.3 利用岭回归模型预测新的数据 168

    参考文献 171

    9 CART树回归 172

    9.1 复杂的回归问题 172

    9.1.1 线性回归模型 172

    9.1.2 局部加权线性回归 173

    9.1.3 CART算法 174

    9.2 CART回归树生成 175

    9.2.1 CART回归树的划分 175

    9.2.2 CART回归树的构建 177

    9.3 CART回归树剪枝 179

    9.3.1 前剪枝 179

    9.3.2 后剪枝 180

    9.4 CART回归树对数据预测 180

    9.4.1 利用训练数据训练CART回归树模型 180

    9.4.2 最终的训练结果 182

    9.4.3 利用训练好的CART回归树模型对新的数据预测 185

    参考文献 187

    第三部分 聚类算法

    10 K-Means 190

    10.1 相似性的度量 190

    10.1.1 闵可夫斯基距离 191

    10.1.2 曼哈顿距离 191

    10.1.3 欧氏距离 191

    10.2 K-Means算法原理 192

    10.2.1 K-Means算法的基本原理 192

    10.2.2 K-Means算法步骤 193

    10.2.3 K-Means算法与矩阵分解 193

    10.3 K-Means算法实践 195

    10.3.1 导入数据 196

    10.3.2 初始化聚类中心 197

    10.3.3 聚类过程 198

    10.3.4 最终的聚类结果 199

    10.4 K-Means++算法 200

    10.4.1 K-Means算法存在的问题 200

    10.4.2 K-Means++算法的基本思路 202

    10.4.3 K-Means++算法的过程和最终效果 204

    参考文献 205

    11 Mean Shift 206

    11.1 Mean Shift向量 206

    11.2 核函数 207

    11.3 Mean Shift算法原理 209

    11.3.1 引入核函数的Mean Shift向量 209

    11.3.2 Mean Shift算法的基本原理 210

    11.4 Mean Shift算法的解释 212

    11.4.1 概率密度梯度 212

    11.4.2 Mean Shift向量的修正 213

    11.4.3 Mean Shift算法流程 213

    11.5 Mean Shift算法实践 217

    11.5.1 Mean Shift的主过程 218

    11.5.2 Mean Shift的最终聚类结果 219

    参考文献 221

    12 DBSCAN 222

    12.1 基于密度的聚类 222

    12.1.1 基于距离的聚类算法存在的问题 222

    12.1.2 基于密度的聚类算法 225

    12.2 DBSCAN算法原理 225

    12.2.1 DBSCAN算法的基本概念 225

    12.2.2 DBSCAN算法原理 227

    12.2.3 DBSCAN算法流程 228

    12.3 DBSCAN算法实践 231

    12.3.1 DBSCAN算法的主要过程 232

    12.3.2 Mean Shift的最终聚类结果 234

    参考文献 236

    13 Label Propagation 237

    13.1 社区划分 237

    13.1.1 社区以及社区划分 237

    13.1.2 社区划分的算法 238

    13.1.3 社区划分的评价标准 239

    13.2 Label Propagation算法原理 239

    13.2.1 Label Propagation算法的基本原理 239

    13.2.2 标签传播 240

    13.2.3 迭代的终止条件 242

    13.3 Label Propagation算法过程 244

    13.4 Label Propagation算法实践 244

    13.4.1 导入数据 245

    13.4.2 社区的划分 246

    13.4.3 最终的结果 247

    参考文献 248

    第四部分 推荐算法

    14 协同过滤算法 250

    14.1 推荐系统的概述 250

    14.1.1 推荐系统 250

    14.1.2 推荐问题的描述 251

    14.1.3 推荐的常用方法 251

    14.2 基于协同过滤的推荐 252

    14.2.1 协同过滤算法概述 252

    14.2.2 协同过滤算法的分类 252

    14.3 相似度的度量方法 253

    14.3.1 欧氏距离 254

    14.3.2 皮尔逊相关系数(Pearson Correlation) 254

    14.3.3 余弦相似度 254

    14.4 基于协同过滤的推荐算法 256

    14.4.1 基于用户的协同过滤算法 256

    14.4.2 基于项的协同过滤算法 258

    14.5 利用协同过滤算法进行推荐 260

    14.5.1 导入用户-商品数据 260

    14.5.2 利用基于用户的协同过滤算法进行推荐 261

    14.5.3 利用基于项的协同过滤算法进行推荐 262

    参考文献 264

    15 基于矩阵分解的推荐算法 265

    15.1 矩阵分解 265

    15.2 基于矩阵分解的推荐算法 266

    15.2.1 损失函数 266

    15.2.2 损失函数的求解 266

    15.2.3 加入正则项的损失函数即求解方法 267

    15.2.4 预测 269

    15.3 利用矩阵分解进行推荐 270

    15.3.1 利用梯度下降对用户商品矩阵分解和预测 270

    15.3.2 最终的结果 272

    15.4 非负矩阵分解 273

    15.4.1 非负矩阵分解的形式化定义 274

    15.4.2 损失函数 274

    15.4.3 优化问题的求解 274

    15.5 利用非负矩阵分解进行推荐 277

    15.5.1 利用乘法规则进行分解和预测 277

    15.5.2 最终的结果 278

    参考文献 279

    16 基于图的推荐算法 280

    16.1 二部图与推荐算法 280

    16.1.1 二部图 280

    16.1.2 由用户商品矩阵到二部图 281

    16.2 PageRank算法 282

    16.2.1 PageRank算法的概念 282

    16.2.2 PageRank的两个假设 283

    16.2.3 PageRank的计算方法 283

    16.3 PersonalRank算法 285

    16.3.1 PersonalRank算法原理 285

    16.3.2 PersonalRank算法的流程 286

    16.4 利用PersonalRank算法进行推荐 288

    16.4.1 利用PersonalRank算法进行推荐 288

    16.4.2 最终的结果 291

    参考文献 291

    第五部分 深度学习

    17 AutoEncoder 294

    17.1 多层神经网络 294

    17.1.1 三层神经网络模型 294

    17.1.2 由三层神经网络到多层神经网络 295

    17.2 AutoEncoder模型 296

    17.2.1 AutoEncoder模型结构 296

    17.2.2 AutoEncoder的损失函数 297

    17.3 降噪自编码器Denoising AutoEncoder 298

    17.3.1 Denoising AutoEncoder原理 298

    17.3.2 Denoising AutoEncoder实现 299

    17.4 利用Denoising AutoEncoders构建深度网络 302

    17.4.1 无监督的逐层训练 302

    17.4.2 有监督的微调 303

    17.5 利用TensorFlow实现Stacked Denoising AutoEncoders 306

    17.5.1 训练Stacked Denoising AutoEncoders模型 306

    17.5.2 训练的过程 307

    参考文献 308

    18 卷积神经网络 309

    18.1 传统神经网络模型存在的问题 309

    18.2 卷积神经网络 311

    18.2.1 卷积神经网络中的核心概念 311

    18.2.2 卷积神经网络模型 312

    18.3 卷积神经网络的求解 313

    18.3.1 卷积层(Convolution Layer) 313

    18.3.2 下采样层(Sub-Sampling Layer) 316

    18.3.3 全连接层(Fully-Connected Layer) 316

    18.4 利用TensorFlow实现CNN 316

    18.4.1 CNN的实现 316

    18.4.2 训练CNN模型 320

    18.4.3 训练的过程 321

    参考文献 321

    第六部分 项目实践

    19 微博精准推荐 324

    19.1 精准推荐 324

    19.1.1 精准推荐的项目背景 324

    19.1.2 精准推荐的技术架构 325

    19.1.3 离线数据挖掘 326

    19.2 基于用户行为的挖掘 327

    19.2.1 基于互动内容的兴趣挖掘 327

    19.2.2 基于与博主互动的兴趣挖掘 328

    19.3 基于相似用户的挖掘 329

    19.3.1 基于“@”人的相似用户挖掘 329

    19.3.2 基于社区的相似用户挖掘 329

    19.3.3 基于协同过滤的相似用户挖掘 331

    19.4 点击率预估 332

    19.4.1 点击率预估的概念 332

    19.4.2 点击率预估的方法 332

    19.5 各种数据技术的效果 334

    参考文献 335

    附录A 336

    附录B 341

    1.本文部分内容转载自其它媒体,但并不代表本站赞同其观点和对其真实性负责。                                       2.若您需要商业运营或用于其他商业活动,请您购买正版授权并合法使用。                                          3.如果本站有侵犯、不妥之处的资源,请在网站最下方联系我们。将会第一时间解决!                                     4.本站所有内容均由互联网收集整理、网友上传,仅供大家参考、学习,不存在任何商业目的与商业用途。                            5.本站提供的所有资源仅供参考学习使用,版权归原著所有,禁止下载本站资源参与商业和非法行为,请在24小时之内自行删除!
    源雷技术空间 » Python机器学习算法 PDF_Python教程_源雷技术空间

    常见问题FAQ

    资源后续会更新吗?
    源雷技术空间支持永久更新!
    不会安装搭建怎么办?
    可以加入QQ交流群87323150,大神帮忙搭建~
    开通VIP 享更多特权,建议使用QQ登录