Introduction
第四章：K近邻算法
4-1 K近邻算法基础
4-2 scikit-learn中的机器学习算法的封装
4-3 训练数据集，测试数据集
4-4 分类准确度
4-5 超参数
4-6 网格搜索
4-7 数据归一化 Feature Scaling
4-8 scikit-learn中的Scaler
4-9 更多有关K近邻算法的思考
第五章：线性回归法
5-1 简单线性回归
5-2 最小二乘法
5-3 简单线性回归的实现
5-4 参数计算向量化
5-5 衡量线性回归算法的指标
5-6 最好的衡量线性回归法的指标 R Squared
5-7 简单线性回归和正规方程解
5-8 实现多元线性回归
5-9 scikit-learn中的回归算法
5-10 线性回归的可解释性和更多思考
第六章：梯度下降法
6-1 什么是梯度下降法
6-2 模拟实现梯度下降法
6-3 多元线性回归中的梯度下降法
6-4 在线性回归模型中使用梯度下降法
6-5 梯度下降的向量化
6-6 随机梯度下降
6-7 代码实现随机梯度下降
6-8 调试梯度下降法
6-9 有关梯度下降法的更多深入讨论
第七章：PCA与梯度上升法
7-1 什么是PCA
7-2 使用梯度上升法求解主成分分析问题
7-3 代码实现主成分分析问题
7-4 求数据的前N个主成分
7-5 高维数据向低维数据映射
7-6 scikit learn中的PCA
7-7 MNIST数据集
7-8 使用PCA降噪
7-9 人脸识别和特征脸(未完成)
第八章：多项式回归与模型泛化
8-1 什么是多项式回归
8-2 scikit-learn中的多项式回归和pipeline
8-3 过拟合和欠拟合
8-4 为什么要训练数据集和测试数据集
8-5 学习曲线
8-6 验证数据集与交叉验证
8-7 偏差方差权衡 Bias Variance Trade off
8-8 模型正则化 Regularization
8-9 LASSO Regularization
8-10 L1,L2和弹性网络
第九章：逻辑回归
9-1 逻辑回归 Logistic Regression
9-2 逻辑回归的损失函数
9-3 逻辑回归算法损失函数的梯度
9-4 实现逻辑回归算法
9-5 决策边界
9-6 在逻辑回归中使用多项式特征
9-7 scikit-learn中的逻辑回归
9-8 OvR与OvO
第十章：评价分类结果
10-1 准确度的陷阱和混淆矩阵
10-2 精确率和召回率
10-3 实现混淆矩阵、精准率、召回率
10-4 F1 score
10-5 Precision-Recall平衡
10-6 precision-recall曲线
10-7 ROC曲线
10-8 多分类问题中的混淆矩阵
第十一章：支撑向量机 SVM
11-1 什么是支撑向量机
11-2 支撑向量机的推导过程
11-3 Soft Margin和SVM的正则化
11-4 scikit-leran中的SVM
11-5 SVM中使用多项式特征
11-6 什么是核函数
11-7 高斯核函数
11-8 scikit-learn中的高斯核函数
11-9 SVM思想解决回归问题
第十二章：决策树
12-1 什么是决策树
12-2 信息熵
12-3 使用信息寻找最优划分
12-4 基尼系数
12-5 CART和决策树中的超参数
12-6 决策树解决回归问题
12-7 决策树的局限性
第十三章：集成学习和随机森林
13-1 什么是集成学习
13-2 soft voting
13-3 bagging和pasting
13-4 更多关于bagging的讨论
13-5 随机森林和extra-trees
13-6 ada boosting和gradiesnt boosting
13-7 Stacking
Last updated 2 years ago