机器学习与Python实践

本章习题

12.4 学习、推演和搜索

12.3 策略梯度和Actor-Critic方法

12.2 值函数近似和深度Q网络

12.1 基于值函数的强化学习

第12章 强化学习

本章习题

11.4 揭开深度学习的黑箱

11.3 自编码和生成模型

11.2 网络结构

11.1 前馈神经网络和梯度下降算法

第11章 深度学习

本章习题

10.3 提升树Boosting Trees

10.2 Bagging和随机森林

10.1 回归树和分类树

第10章 树和树的集成

本章习题

9.4 变分推断

9.3 抽样方法

9.2 贝叶斯视角下的频率方法

9.1 贝叶斯定理

第9章 贝叶斯方法

本章习题

8.5 EM算法

8.4 KL距离和信息论相关概念

8.3 Bootstrap方法

8.2 置信区间和假设检验

8.1 极大似然估计

第8章 统计推断基础

本章习题

7.4 案例分析：期权隐含分布估计（续1）

7.3 估计的自由度

7.2 模型选择

7.1 模型评估

第7章 模型选择和模型评估

本章习题

6.3 局部回归

6.2 核技巧

6.1 样条方法

第6章 局部建模

本章习题

5.4 分类的评判

5.3 支持向量机

5.2 逻辑回归

5.1 判别分析

第5章 分类

本章习题

4.4 回归估计和矩阵分解

4.3 正则化方法

4.2 变量选择基础

4.1 回归分析流程

第4章 线性回归和正则化方法

本章习题

3.5 混合模型和隐马尔可夫模型

3.4 主成分分析

3.3 k均值算法

3.2 核密度估计

3.1 描述性统计

第3章 无监督学习

本章习题

2.7 Python常用工具库

2.6 面向对象编程

2.5 输入和输出

2.4 作图和可视化

2.3 用于科学计算和数据处理的库

2.2 控制语句和函数

2.1 基础变量类型

第2章 Python科学计算简介

本章习题

1.3 机器学习的发展历程及应用

1.2 机器学习的分类

1.1 引言

第1章 机器学习概述

微课视频列表说明

前言

丛书序

内容提要

扉页

扉页

封面

封面

扉页

扉页

内容提要

丛书序

前言

微课视频列表说明

第1章 机器学习概述

1.1 引言

1.2 机器学习的分类

1.3 机器学习的发展历程及应用

本章习题

第2章 Python科学计算简介

2.1 基础变量类型

2.2 控制语句和函数

2.3 用于科学计算和数据处理的库

2.4 作图和可视化

2.5 输入和输出

2.6 面向对象编程

2.7 Python常用工具库

本章习题

第3章 无监督学习

3.1 描述性统计

3.2 核密度估计

3.3 k均值算法

3.4 主成分分析

3.5 混合模型和隐马尔可夫模型

本章习题

第4章 线性回归和正则化方法

4.1 回归分析流程

4.2 变量选择基础

4.3 正则化方法

4.4 回归估计和矩阵分解

本章习题

第5章 分类

5.1 判别分析

5.2 逻辑回归

5.3 支持向量机

5.4 分类的评判

本章习题

第6章 局部建模

6.1 样条方法

6.2 核技巧

6.3 局部回归

本章习题

第7章 模型选择和模型评估

7.1 模型评估

7.2 模型选择

7.3 估计的自由度

7.4 案例分析：期权隐含分布估计（续1）

本章习题

第8章 统计推断基础

8.1 极大似然估计

8.2 置信区间和假设检验

8.3 Bootstrap方法

8.4 KL距离和信息论相关概念

8.5 EM算法

本章习题

第9章 贝叶斯方法

9.1 贝叶斯定理

9.2 贝叶斯视角下的频率方法

9.3 抽样方法

9.4 变分推断

本章习题

第10章 树和树的集成

10.1 回归树和分类树

10.2 Bagging和随机森林

10.3 提升树Boosting Trees

本章习题

第11章 深度学习

11.1 前馈神经网络和梯度下降算法

11.2 网络结构

11.3 自编码和生成模型

11.4 揭开深度学习的黑箱

本章习题

第12章 强化学习

12.1 基于值函数的强化学习

12.2 值函数近似和深度Q网络

12.3 策略梯度和Actor-Critic方法

12.4 学习、推演和搜索

本章习题