内容提要：

    《Python机器学习算法》是一本机器学习入门读物，注重理论与实践的结合。全书主要包括6个部分，每个部分均以典型的机器学习算法为例，从算法原理出发，由浅入深，详细介绍算法的理论，并配合目前流行的Python语言，从零开始，实现每一个算法，以加强对机器学习算法理论的理解、增强实际的算法实践能力，最终达到熟练掌握每一个算法的目的。与其他机器学习类图书相比，《Python机器学习算法》同时包含算法理论的介绍和算法的实践，以理论支撑实践，同时，又将复杂、枯燥的理论用简单易懂的形式表达出来，促进对理论的理解。 

目录：

0 绪论 1

0.1 机器学习基础 1

0.1.1 机器学习的概念 1

0.1.2 机器学习算法的分类 2

0.2 监督学习 3

0.2.1 监督学习 3

0.2.2 监督学习的流程 3

0.2.3 监督学习算法 4

0.3 无监督学习 4

0.3.1 无监督学习 4

0.3.2 无监督学习的流程 4

0.3.3 无监督学习算法 5

0.4 推荐系统和深度学习 6

0.4.1 推荐系统 6

0.4.2 深度学习 6

0.5 Python和机器学习算法实践 6

参考文献 7

第一部分 分类算法

1 Logistic Regression 10

1.1 Logistic Regression模型 10

1.1.1 线性可分VS线性不可分 10

1.1.2 Logistic Regression模型 11

1.1.3 损失函数 13

1.2 梯度下降法 14

1.2.1 梯度下降法的流程 14

1.2.2 凸优化与非凸优化 15

1.2.3 利用梯度下降法训练Logistic Regression模型 17

1.3 梯度下降法的若干问题 18

1.3.1 选择下降的方向 18

1.3.2 步长的选择 19

1.4 Logistic Regression算法实践 20

1.4.1 利用训练样本训练Logistic Regression模型 20

1.4.2 最终的训练效果 22

1.4.3 对新数据进行预测 23

参考文献 26

2 Softmax Regression 27

2.1 多分类问题 27

2.2 Softmax Regression算法模型 28

2.2.1 Softmax Regression模型 28

2.2.2 Softmax Regression算法的代价函数 28

2.3 Softmax Regression算法的求解 29

2.4 Softmax Regression与Logistic Regression的关系 31

2.4.1 Softmax Regression中的参数特点 31

2.4.2 由Softmax Regression到Logistic Regression 31

2.5 Softmax Regression算法实践 32

2.5.1 对Softmax Regression算法的模型进行训练 33

2.5.2 最终的模型 34

2.5.3 对新的数据的预测 35

参考文献 39

3 Factorization Machine 40

3.1 Logistic Regression算法的不足 40

3.2 因子分解机FM的模型 42

3.2.1 因子分解机FM模型 42

3.2.2 因子分解机FM可以处理的问题 43

3.2.3 二分类因子分解机FM算法的损失函数 43

3.3 FM算法中交叉项的处理 43

3.3.1 交叉项系数 43

3.3.2 模型的求解 44

3.4 FM算法的求解 45

3.4.1 随机梯度下降（Stochastic Gradient Descent） 45

3.4.2 基于随机梯度的方式求解 45

3.4.3 FM算法流程 46

3.5 因子分解机FM算法实践 49

3.5.1 训练FM模型 50

3.5.2 最终的训练效果 53

3.5.3 对新的数据进行预测 55

参考文献 57

4 支持向量机 58

4.1 二分类问题 58

4.1.1 二分类的分隔超平面 58

4.1.2 感知机算法 59

4.1.3 感知机算法存在的问题 61

4.2 函数间隔和几何间隔 61

4.2.1 函数间隔 62

4.2.2 几何间隔 62

4.3 支持向量机 63

4.3.1 间隔最大化 63

4.3.2 支持向量和间隔边界 64

4.3.3 线性支持向量机 65

4.4 支持向量机的训练 66

4.4.1 学习的对偶算法 66

4.4.2 由线性支持向量机到非线性支持向量机 68

4.4.3 序列最小最优化算法SMO 69

4.5 支持向量机SVM算法实践 74

4.5.1 训练SVM模型 74

4.5.2 利用训练样本训练SVM模型 81

4.5.3 利用训练好的SVM模型对新数据进行预测 85

参考文献 88

5 随机森林 89

5.1 决策树分类器 89

5.1.1 决策树的基本概念 89

5.1.2 选择最佳划分的标准 91

5.1.3 停止划分的标准 94

5.2 CART分类树算法 95

5.2.1 CART分类树算法的基本原理 95

5.2.2 CART分类树的构建 95

5.2.3 利用构建好的分类树进行预测 98

5.3 集成学习（Ensemble Learning） 99

5.3.1 集成学习的思想 99

5.3.2 集成学习中的典型方法 99

5.4 随机森林（Random Forests） 101

5.4.1 随机森林算法模型 101

5.4.2 随机森林算法流程 102

5.5 随机森林RF算法实践 104

5.5.1 训练随机森林模型 105

5.5.2 最终的训练结果 109

5.5.3 对新数据的预测 110

参考文献 113

6 BP神经网络 114

6.1 神经元概述 114

6.1.1 神经元的基本结构 114

6.1.2 激活函数 115

6.2 神经网络模型 116

6.2.1 神经网络的结构 116

6.2.2 神经网络中的参数说明 117

6.2.3 神经网络的计算 117

6.3 神经网络中参数的求解 118

6.3.1 神经网络损失函数 118

6.3.2 损失函数的求解 119

6.3.3 BP神经网络的学习过程 120

6.4 BP神经网络中参数的设置 126

6.4.1 非线性变换 126

6.4.2 权重向量的初始化 126

6.4.3 学习率 127

6.4.4 隐含层节点的个数 127

6.5 BP神经网络算法实践 127

6.5.1 训练BP神经网络模型 128

6.5.2 最终的训练效果 132

6.5.3 对新数据的预测 133

参考文献 136

第二部分 回归算法

7 线性回归 138

7.1 基本线性回归 138

7.1.1 线性回归的模型 138

7.1.2 线性回归模型的损失函数 139

7.2 线性回归的最小二乘解法 140

7.2.1 线性回归的最小二乘解法 140

7.2.2 广义逆的概念 141

7.3 牛顿法 141

7.3.1 基本牛顿法的原理 141

7.3.2 基本牛顿法的流程 142

7.3.3 全局牛顿法 142

7.3.4 Armijo搜索 144

7.3.5 利用全局牛顿法求解线性回归模型 145

7.4 利用线性回归进行预测 146

7.4.1 训练线性回归模型 147

7.4.2 最终的训练结果 149

7.4.3 对新数据的预测 150

7.5 局部加权线性回归 152

7.5.1 局部加权线性回归模型 152

7.5.2 局部加权线性回归的最终结果 153

参考文献 154

8 岭回归和Lasso回归 155

8.1 线性回归存在的问题 155

8.2 岭回归模型 156

8.2.1 岭回归模型 156

8.2.2 岭回归模型的求解 156

8.3 Lasso回归模型 157

8.4 拟牛顿法 158

8.4.1 拟牛顿法 158

8.4.2 BFGS校正公式的推导 158

8.4.3 BFGS校正的算法流程 159

8.5 L-BFGS求解岭回归模型 162

8.5.1 BGFS算法存在的问题 162

8.5.2 L-BFGS算法思路 162

8.6 岭回归对数据的预测 165

8.6.1 训练岭回归模型 166

8.6.2 最终的训练结果 168

8.6.3 利用岭回归模型预测新的数据 168

参考文献 171

9 CART树回归 172

9.1 复杂的回归问题 172

9.1.1 线性回归模型 172

9.1.2 局部加权线性回归 173

9.1.3 CART算法 174

9.2 CART回归树生成 175

9.2.1 CART回归树的划分 175

9.2.2 CART回归树的构建 177

9.3 CART回归树剪枝 179

9.3.1 前剪枝 179

9.3.2 后剪枝 180

9.4 CART回归树对数据预测 180

9.4.1 利用训练数据训练CART回归树模型 180

9.4.2 最终的训练结果 182

9.4.3 利用训练好的CART回归树模型对新的数据预测 185

参考文献 187

第三部分 聚类算法

10 K-Means 190

10.1 相似性的度量 190

10.1.1 闵可夫斯基距离 191

10.1.2 曼哈顿距离 191

10.1.3 欧氏距离 191

10.2 K-Means算法原理 192

10.2.1 K-Means算法的基本原理 192

10.2.2 K-Means算法步骤 193

10.2.3 K-Means算法与矩阵分解 193

10.3 K-Means算法实践 195

10.3.1 导入数据 196

10.3.2 初始化聚类中心 197

10.3.3 聚类过程 198

10.3.4 最终的聚类结果 199

10.4 K-Means++算法 200

10.4.1 K-Means算法存在的问题 200

10.4.2 K-Means++算法的基本思路 202

10.4.3 K-Means++算法的过程和最终效果 204

参考文献 205

11 Mean Shift 206

11.1 Mean Shift向量 206

11.2 核函数 207

11.3 Mean Shift算法原理 209

11.3.1 引入核函数的Mean Shift向量 209

11.3.2 Mean Shift算法的基本原理 210

11.4 Mean Shift算法的解释 212

11.4.1 概率密度梯度 212

11.4.2 Mean Shift向量的修正 213

11.4.3 Mean Shift算法流程 213

11.5 Mean Shift算法实践 217

11.5.1 Mean Shift的主过程 218

11.5.2 Mean Shift的最终聚类结果 219

参考文献 221

12 DBSCAN 222

12.1 基于密度的聚类 222

12.1.1 基于距离的聚类算法存在的问题 222

12.1.2 基于密度的聚类算法 225

12.2 DBSCAN算法原理 225

12.2.1 DBSCAN算法的基本概念 225

12.2.2 DBSCAN算法原理 227

12.2.3 DBSCAN算法流程 228

12.3 DBSCAN算法实践 231

12.3.1 DBSCAN算法的主要过程 232

12.3.2 Mean Shift的最终聚类结果 234

参考文献 236

13 Label Propagation 237

13.1 社区划分 237

13.1.1 社区以及社区划分 237

13.1.2 社区划分的算法 238

13.1.3 社区划分的评价标准 239

13.2 Label Propagation算法原理 239

13.2.1 Label Propagation算法的基本原理 239

13.2.2 标签传播 240

13.2.3 迭代的终止条件 242

13.3 Label Propagation算法过程 244

13.4 Label Propagation算法实践 244

13.4.1 导入数据 245

13.4.2 社区的划分 246

13.4.3 最终的结果 247

参考文献 248

第四部分 推荐算法

14 协同过滤算法 250

14.1 推荐系统的概述 250

14.1.1 推荐系统 250

14.1.2 推荐问题的描述 251

14.1.3 推荐的常用方法 251

14.2 基于协同过滤的推荐 252

14.2.1 协同过滤算法概述 252

14.2.2 协同过滤算法的分类 252

14.3 相似度的度量方法 253

14.3.1 欧氏距离 254

14.3.2 皮尔逊相关系数（Pearson Correlation） 254

14.3.3 余弦相似度 254

14.4 基于协同过滤的推荐算法 256

14.4.1 基于用户的协同过滤算法 256

14.4.2 基于项的协同过滤算法 258

14.5 利用协同过滤算法进行推荐 260

14.5.1 导入用户-商品数据 260

14.5.2 利用基于用户的协同过滤算法进行推荐 261

14.5.3 利用基于项的协同过滤算法进行推荐 262

参考文献 264

15 基于矩阵分解的推荐算法 265

15.1 矩阵分解 265

15.2 基于矩阵分解的推荐算法 266

15.2.1 损失函数 266

15.2.2 损失函数的求解 266

15.2.3 加入正则项的损失函数即求解方法 267

15.2.4 预测 269

15.3 利用矩阵分解进行推荐 270

15.3.1 利用梯度下降对用户商品矩阵分解和预测 270

15.3.2 最终的结果 272

15.4 非负矩阵分解 273

15.4.1 非负矩阵分解的形式化定义 274

15.4.2 损失函数 274

15.4.3 优化问题的求解 274

15.5 利用非负矩阵分解进行推荐 277

15.5.1 利用乘法规则进行分解和预测 277

15.5.2 最终的结果 278

参考文献 279

16 基于图的推荐算法 280

16.1 二部图与推荐算法 280

16.1.1 二部图 280

16.1.2 由用户商品矩阵到二部图 281

16.2 PageRank算法 282

16.2.1 PageRank算法的概念 282

16.2.2 PageRank的两个假设 283

16.2.3 PageRank的计算方法 283

16.3 PersonalRank算法 285

16.3.1 PersonalRank算法原理 285

16.3.2 PersonalRank算法的流程 286

16.4 利用PersonalRank算法进行推荐 288

16.4.1 利用PersonalRank算法进行推荐 288

16.4.2 最终的结果 291

参考文献 291

第五部分 深度学习

17 AutoEncoder 294

17.1 多层神经网络 294

17.1.1 三层神经网络模型 294

17.1.2 由三层神经网络到多层神经网络 295

17.2 AutoEncoder模型 296

17.2.1 AutoEncoder模型结构 296

17.2.2 AutoEncoder的损失函数 297

17.3 降噪自编码器Denoising AutoEncoder 298

17.3.1 Denoising AutoEncoder原理 298

17.3.2 Denoising AutoEncoder实现 299

17.4 利用Denoising AutoEncoders构建深度网络 302

17.4.1 无监督的逐层训练 302

17.4.2 有监督的微调 303

17.5 利用TensorFlow实现Stacked Denoising AutoEncoders 306

17.5.1 训练Stacked Denoising AutoEncoders模型 306

17.5.2 训练的过程 307

参考文献 308

18 卷积神经网络 309

18.1 传统神经网络模型存在的问题 309

18.2 卷积神经网络 311

18.2.1 卷积神经网络中的核心概念 311

18.2.2 卷积神经网络模型 312

18.3 卷积神经网络的求解 313

18.3.1 卷积层（Convolution Layer） 313

18.3.2 下采样层（Sub-Sampling Layer） 316

18.3.3 全连接层（Fully-Connected Layer） 316

18.4 利用TensorFlow实现CNN 316

18.4.1 CNN的实现 316

18.4.2 训练CNN模型 320

18.4.3 训练的过程 321

参考文献 321

第六部分 项目实践

19 微博精准推荐 324

19.1 精准推荐 324

19.1.1 精准推荐的项目背景 324

19.1.2 精准推荐的技术架构 325

19.1.3 离线数据挖掘 326

19.2 基于用户行为的挖掘 327

19.2.1 基于互动内容的兴趣挖掘 327

19.2.2 基于与博主互动的兴趣挖掘 328

19.3 基于相似用户的挖掘 329

19.3.1 基于“@”人的相似用户挖掘 329

19.3.2 基于社区的相似用户挖掘 329

19.3.3 基于协同过滤的相似用户挖掘 331

19.4 点击率预估 332

19.4.1 点击率预估的概念 332

19.4.2 点击率预估的方法 332

19.5 各种数据技术的效果 334

参考文献 335

附录A 336

附录B 341

https://t00y.com/file/12458878-440272569