第1章　機(jī)器學(xué)習(xí)及其數(shù)學(xué)基礎(chǔ)
1.1 機(jī)器學(xué)習(xí)與人工智能簡(jiǎn)述 2
1.2 高等數(shù)學(xué) 4
1.3 線性代數(shù) 7
1.4 概率論與數(shù)理統(tǒng)計(jì) 14
1.5 Jensen不等式 25
1.6 本章小結(jié) 27
第2章　線性回歸
2.1 線性回歸模型 29
2.2 梯度下降算法 30
2.3 再看線性回歸 32
2.4 正則方程 34
2.5 概率解釋 35
2.6 線性回歸的Python實(shí)現(xiàn) 36
2.7 案例：利用線性回歸預(yù)測(cè)波士頓房?jī)r(jià) 43
2.8 本章小結(jié) 54
第3章　局部加權(quán)線性回歸
3.1 欠擬合與過(guò)擬合 56
3.2 局部加權(quán)線性回歸模型 57
3.3 局部加權(quán)線性回歸的Python實(shí)現(xiàn) 61
3.4 案例：再看預(yù)測(cè)波士頓房?jī)r(jià) 64
3.5 案例：利用局部加權(quán)線性回歸預(yù)測(cè)鮑魚(yú)年齡 71
3.6 本章小結(jié) 77
第4章?Logistic回歸與Softmax回歸
4.1 監(jiān)督學(xué)習(xí) 80
4.2 Logistic回歸 80
4.3 廣義線性模型 84
4.4 Softmax回歸 86
4.5 Logistic回歸的Python實(shí)現(xiàn) 90
4.6 案例：利用Logistic回歸對(duì)乳腺癌數(shù)據(jù)集進(jìn)行分類(lèi) 96
4.7 Softmax回歸的Python實(shí)現(xiàn) 107
4.8 案例：利用Softmax回歸對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 116
4.9 本章小結(jié) 127
第5章　模型評(píng)估與優(yōu)化
5.1 模型性能度量 130
5.2 偏差-方差平衡 134
5.3 正則化 135
5.4 交叉驗(yàn)證 144
5.5 Ridge回歸的Python實(shí)現(xiàn) 145
5.6 案例：再看預(yù)測(cè)鮑魚(yú)年齡 153
5.7 帶L2正則化的Softmax回歸的Python實(shí)現(xiàn) 156
5.8 案例：再看語(yǔ)音信號(hào)數(shù)據(jù)集分類(lèi) 161
5.9 本章小結(jié) 165
第6章　BP神經(jīng)網(wǎng)絡(luò)
6.1 神經(jīng)網(wǎng)絡(luò)模型 168
6.2 BP算法與梯度下降算法 171
6.3 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)改進(jìn) 175
6.4 BP神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn) 185
6.5 案例：利用BP神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 197
6.6 本章小結(jié) 215
第7章　K-Means聚類(lèi)算法
7.1 無(wú)監(jiān)督學(xué)習(xí)與聚類(lèi) 218
7.2 K-Means聚類(lèi)算法 219
7.3 K-Means聚類(lèi)的Python實(shí)現(xiàn) 222
7.4 案例：利用K-Means算法對(duì)Iris數(shù)據(jù)集進(jìn)行聚類(lèi) 225
7.5 本章小結(jié) 229
第8章　高斯混合模型
8.1 EM算法 231
8.2 高斯混合模型 233
8.3 GMM與K-Means的區(qū)別與聯(lián)系 238
8.4 聚類(lèi)性能評(píng)價(jià)指標(biāo) 240
8.5 GMM的Python實(shí)現(xiàn) 242
8.6 案例：利用GMM對(duì)葡萄酒數(shù)據(jù)集進(jìn)行聚類(lèi) 248
8.7 本章小結(jié) 255
第9章　主成分分析
9.1 降維技術(shù) 258
9.2 主成分分析 258
9.3 核函數(shù) 263
9.4 核主成分分析 265
9.5 PCA的Python實(shí)現(xiàn) 268
9.6 案例：利用PCA對(duì)葡萄酒質(zhì)量數(shù)據(jù)集進(jìn)行降維 271
9.7 本章小結(jié) 280