机器学习算法的数学解析与Python实现

机器学习算法的数学解析与Python实现读书笔记模板01思维导图读书笔记目录分析内容摘要精彩摘录作者介绍目录0305020406思维导图机器数学机器算法算法读者问题第章算法第章原理学习机器线性场景方法使用问题集成关键字分析思维导图内容摘要内容摘要学习机器学习的动机很多，可能是实际工作需要，可能是兴趣爱好，也可能是学业要求，从每种动机的角度看，这个问题都可能有不同的答案。我认同许多人所说的求知不能太功利这一观点，不过大家的时间和精力毕竟有限，就算不去追求投入产出比，至少也应该有一个学这门知识想要达到的目的。机器学习是更偏重于应用的学问，在当下的发展也确实使得机器学习越来越像一门技能，而不仅仅是技术。初学算法时我最想学的是里面的“最强算法”，不过在第1章我将介绍，机器学习算法没有最强的，只有最合适的，对于不同的问题，对应会有不同的最合适算法。所以，我们更需要**的应该是问题，而不是算法本身。在本书中我选择介绍市面上成熟的机器学习算法包，通过现成的算法包，就能够根据实际要解决的问题直接选择所需要的机器学习算法，从而把注意力集中在对不同算法的选择上。本书的目标读者是想要学习机器学习的学生、程序员、研究人员或者爱好者，以及想要知道机器学习是什么、为什么和怎么用的所有读者。本书第1章介绍机器学习总体背景，第2章介绍配置环境，第3章到第10章彼此独立，每一章介绍一种具体的机器学习算法，读者可以直接阅读想要了解的算法，第11章介绍了集成学习方法，这是一种组合机器学习算法的方法，也是当前在实际使用中常见又十分有效的提升性能的做法。读书笔记读书笔记作者言简意赅，化繁为简，简单的语言表达，屡出金句，看着不累，挺有效率。虽然公式啥的有些小错误，但非常适合小白入门搞清楚各类算法的基本原理，但是很基础，涉及并不深入。在学习了基本的statisticstheor后再看这本书的体会显然不一样，利用python也罢，r也好，基本的实现原理回归和分类这本书很好也很简洁地描述了算法实现的思路，虽然并不涉及到数学公式的推导，但是明白工具实现的思想也是学习的关键，同时明确不同算法的应用场景对于从业者来说很重要。很适合机器学习算法入门的人，不涉及原理证明和代码，旨在讲清楚算法的原理和怎么实现的。刚开始读感觉有点哗众取宠，深入了解后感觉写得不错👍思路清晰，对初学者很友好！对自己说的话：生活很艰难，有人总是不懂你的想法，祝一切顺利吧，加油吧方老师。入门机器学习的第一本书籍，对许多重要的概念：模型、数据、算法有了初步认识，对机器学习有了一个全局的轮廓与感性的了解。因为项目需要，需要快速学习了解机器学习算法。语言幽默，通俗易懂，基本上可以初中基础即可学习，不错的入门书。精彩摘录精彩摘录损失函数是针对单个样本，而成本函数则是针对整个数据集，也就是说，损失函数求得的总和就是成本函数。数据决定了模型能够达到的上限，而算法只是逼近这个上限。一个完整的机器学习过程：算法模型输出一个数值，损失函数经过计算，回馈一个偏差结果，算法模型根据这个偏差结果进行调整，再输出一个数值，周而复始，直到正确为止。这就是机器学习的学习过程，这个过程在机器学习里称作“拟合”。每次迭代都使用全部样本的，称为批量梯度下降（BatchGradientDescent）；每次迭代只使用一个样本的，称为随机梯度下降（StochasticGradientDescent）如果待分类别只有两个，通常称之为二元分类（BinaryClassification）问题，在机器学习中较多使用Logistic函数来解决。而若待分类别超过两个，则称之为多分类（Multi-classClassification）问题，在机器学习中较多使用Softmax函数来解决。这样“线性回归”这个词可以理解成一句话，即用线性模型来解决回归问题。目录分析1.1什么是机器学习1.2机器学习的几个需求层次1.3机器学习的基本原理1.4机器学习的基本概念第1章机器学习概述1.5机器学习问题分类1.6常用的机器学习算法1.7机器学习算法的性能衡量指标1.8数据对算法结果的影响第1章机器学习概述2.1常用环境2.3Numpy简介2.2Python简介第2章机器学习所需的环境2.5Pandas简介2.4Scikit-Learn简介第2章机器学习所需的环境3.1线性回归：“钢铁直男”解决回归问题的正确方法3.2线性回归的算法原理3.3在Python中使用线性回归算法3.4线性回归算法的使用场景第3章线性回归算法4.2Logistic回归的算法原理4.1Logistic回归：换上“S型曲线马甲”的线性回归第4章Logistic回归分类算法4.4Logistic回归算法的使用场景4.3在Python中使用Logistic回归算法第4章Logistic回归分类算法5.1KNN分类算法：用多数表决进行分类5.2KNN分类的算法原理5.3在Python中使用KNN分类算法5.4KNN分类算法的使用场景第5章KNN分类算法6.2朴素贝叶斯分类的算法原理6.1朴素贝叶斯：用骰子选择第6章朴素贝叶斯分类算法6.4朴素贝叶斯分类算法的使用场景6.3在Python中使用朴素贝叶斯分类算法第6章朴素贝叶斯分类算法7.1决策树分类：用“老朋友”if-else进行选择7.2决策树分类的算法原理7.3在Python中使用决策树分类算法7.4决策树分类算法的使用场景第7章决策树分类算法8.1支持向量机：线性分类器的“王者”8.2支持向量机分类的算法原理8.3在Python中使用支持向量机分类算法8.4支持向量机分类算法的使用场景第8章支持向量机分类算法9.1用投票表决实现“物以类聚”9.2K-means聚类的算法原理9.3在Python中使用K-means聚类算法9.4K-means聚类算法的使用场景第9章K-means聚类算法10.1用神经网络解决分类问题10.2神经网络分类的算法原理10.3在Python中使用神经网络分类算法10.4神经网络分类算法的使用场景第10章神经网络分类算法11.1集成学习方