@Author：Runsen
人生最重要的不是所站的位置，而是内心所朝的方向。只要我在每篇博文中写得自己体会，修炼身心；在每天的不断重复学习中，耐住寂寞，练就真功，不畏艰难，奋勇前行，不忘初心，砥砺前行，人生定会有所收获，不留遗憾 （作者：Runsen）
机器学习从入门到实战（书籍）
本书分为三个部分：
- 第一和第二章是机器学习中的入门篇，主要介绍了机器学习的概念、Python开发环境的搭建以及机器学习中所必备的数学知识，线性代数和概率论。
- 第三章到第十二章是机器学习中的基础篇，主要介绍了回归模型，分类模型，聚类模型和半监督模型的建立和相关算法的理论，以及如何使用sklearn具体实现相关算法模型的搭建。
- 第十三章和第十四章是机器学习的扩展篇，介绍了R语言和Spark机器学习。笔者认为对于机器学习，不能只限于Python语言的学习，还要跟进大数据的时代的发展。
| 章节 | 要点 |
|---|---|
| 第一章 走进机器学习的世界 | 机器学习概念、Python环境搭建、求导和积分 |
| 第二章 线性代数和概率论] | 向量和矩阵线性运算、离散型和连续型随机变量和概率分布 |
| 第三章 数据获取和预处理 | 数据预处理、特征处理、文本和图片特征提取和特征选择 |
| 第四章 线性回归和逻辑回归 | 最小二乘法、Lasso回归、岭回归、多项式回归和逻辑回归 |
| 第五章 KNN和贝叶斯分类 | KNN算法、KD树、三大朴素贝叶斯 |
| 第六章 决策树和随机森林 | 决策树算法、随机森林 |
| 第七章 支持向量机 | 线性可分、核函数和SVM。 |
| 第八章 聚类 | K-Means聚类算法、层次聚类算法聚类和密度聚类算法。 |
| 第九章 EM和HMM聚类算法 | EM算法原理、隐马尔科夫模型 |
| 第十章 主题模型 | LDA主题模型、自然语言处理 |
| 第十一章 推荐算法 | 关联规则的三大指标、矩阵分解算法和SlopeOne算法 |
| 第十二章 数据建模 | 监督回归、分类模型、半监督分类和模型的保存 |
| 第十三章 R语言机器学习 | R语言机器学习 |
| 第十四章 Spark机器学习 | Spark机器学习 |
-
微信：RunsenLiu
-
作者微信公众号：
