《Python机器学习核心算法编程实例》（编者:丁伟雄|责编:陈韦凯）-图书推荐
内容提要
在大数据时代背景下，机器学习是人工智能研究领域中一个极其重要的方向，本书是一本机器学习方面的入门读物，注重理论与实践相结合。本书以Python 3．6．5为编写平台，全书分为13章，主要包括机器学习绪论、线性模型、树回归、K-means聚类算法、朴素贝叶斯、数据降维、支持向量机、随机森林、人工神经网络、协同过滤算法、基于矩阵分解的推荐算法、集成学习、数据预处理等内容。通过本书的学习，除使读者轻松掌握Python外，还能利用Python简单、快捷地解决各种机器学习问题。本书适合Python初学者，也适合研究Python的广大科研人员、学者、工程技术人员阅读使用。
目录
第1章 机器学习绪论
1.1 机器学习的定义
1.1.1 概论
1.1.2 机器学习发展历程
1.1.3 机器学习算法的分类
1.1.4 通用机器学习算法
1.2 学习算法
1.2.1 监督学习
1.2.2 无监督学习
1.3 机器学习应用程序的步骤
1.4 Python语言
1.4.1 Python的风格
1.4.2 Python的优势
1.4.3 Pvthon语言的缺点
1.5 Python的环境搭建
1.5.1 安装
1.5.2 使用pip安装第三方库
1.6 NumPy函数库基础
1.7 Python的基础知识
1.7.1 数和表达式
1.7.2 Python的标识符
1.7.3 Python的保留字符
1.7.4 行和缩进
1.7.5 多行语句
1.7.6 Pvthon引号
1.7.7 Python空行
1.7.8 同一行显示多条语句
1.7.9 Print输出
第2章 线性模型
2.1 一般线性回归
2.1.1 线性回归公式表示法
2.1.2 线性回归的Python实现
2.2 局部加权线性回归
2.3 广义线性模型
2.4 逻辑回归分析
2.5 牛顿法
2.5.1 基本牛顿法的原理
2.5.2 基本牛顿法的流程
2.5.3 全局牛顿法
2.5.4 Armijo搜索
2.5.5 全局牛顿法求解线性回归模型
2.6 缩减法
2.6.1 岭回归
2.6.2 lasso回归
2.6.3 前向逐步线性回归
2.7 利用线性回归进行预测
2.7.1 训练线性回归模型
2.7.2 对新数据的预测
第3章 树回归
3.1 构建决策树的准备工作