第一部分　基础理论

第一章 机器学习概述　　　　　　　　　

第一节 定义和基本概念　　　　　　　　2

第二节 机器学习的类型　　　　　　　　21

第二章 概率与统计基础　　　　　　　　

第一节 概率论基础　　　　　　　　　　32

第二节 统计学基础　　　　　　　　　　38

第三节 贝叶斯理论　　　　　　　　　　45

第二部分　监督学习

第三章 回归分析　　　　　　　　　　　50

第一节 线性回归　　　　　　　　　　　50

第二节 多元回归　　　　　　　　　　　58

第三节 非线性回归　　　　　　　　　　63

第四章 分类算法

第一节 逻辑回归　　　　　　　　　　　72

第二节 k近邻算法　　　 　　　　　　　75

第三节 支持向量机　　　　　　　　　　87

第三部分　无监督学习

第五章 聚类分析　　　　　　　　　　　94

第一节 k均值聚类　　　　　　　 　　　 94

第二节 层次聚类　　　　　　　　　　　101

第六章 降维技术　　　　　　　　　　　

第一节 主成分分析　　　　　　　　　　108

第二节 线性判别分析　　　　　　　　　119

第三节 独立成分分析　　　　　　　　　122

第四部分　强化学习

第七章 基本概念与算法　　　　　　　

第一节 强化学习的定义与应用场景　　　132

第二节 马尔可夫决策过程　　　　　　　135

第三节 Q学习与深度Q网络　　　　　　 139

第八章 策略梯度方法

第一节 策略优化　　　　　　　　　　　142

第二节 深度强化学习　　　　　　　　　144

第五部分　模型评估与优化

第九章 模型评估

第一节 交叉验证　　　　　　　　　　　152

第二节 评估指标　　　　　　　　　　　156

第十章 模型优化

第一节 正则化方法　　　　　　　　　　166

第二节 超参数调优　　　　　　　　　　175

第六部分　高级主题

第十一章 神经网络与深度学习　

第一节 人工神经网络基础　　　　　　　188

第二节 深度学习框架与应用　　　　　　193

第十二章 集成学习

第一节 集成方法概述　　　　　　　　　202

第二节 提升法、袋装法与堆叠法　　　　204

第七部分　应用与实践

第十三 章实际应用案例分析

第一节 图像识别　　　　　　　　　　　210

第二节 自然语言处理　　　　　　　　　216

第三节 推荐系统　　　　　　　　　　　218

第十四 章机器学习应用实践　　　　　

第一节 数据预处理与特征工程　　　　　224

第二节 模型部署与维护　　　　　　　　229

第三节 深度强化学习的典型应用　　　　233

参考文献　　　　　　　　　　　　　　 239

【暂无此信息】

【暂无此信息】