《 機器學習原理與實踐（Python版）》是清華大學出版社出版的一本圖書。 本書全面系統地介紹了機器學習領域中的經典方法，併兼顧算法原理與實踐運用。具體內容涉及回歸分析（線性回歸、多項式回歸、非線性回歸、嶺回歸，LASSO、彈性網路，以及RANSAC等）、分類（感知機、邏輯回歸、樸素貝葉斯、決策樹、支持向量機、人工神經網路等）、聚類（K均值、EM算法、密度聚類、層次聚類，以及譜聚類等）、集成學習（隨機森林、AdaBoost、梯度提升等）、蒙特卡洛採樣（拒絕採樣、自適應拒絕採樣、重要性採樣、吉布斯採樣和馬爾科夫鏈蒙特卡洛等）、降維與流形學習（SVD、PCA和MDS等），以及機率圖模型（例如貝葉斯網路和隱馬爾科夫模型）等話題。更為重要的是，作者基於全新制定的學習路線圖設計並組織了各章節的布局，使得全書的內容層層遞進又緊密聯繫。這些安排旨在幫助讀者深化理解原理細節，並建立完整而系統的全局觀。在力求清晰闡述算法原理的同時，本書還基於機器學習經典框架scikit-learn提供了算法的套用實例，並使用Python編寫代碼，非常適合讀者自學。本書是機器學習及相關課程的教學參考書，適用於高等院校人工智慧、機器學習或數據挖掘等相關專業的師生研習之用，也可供從事計算機套用，特別是數據科學相關專業的研發人員參考。
目錄
第1章機器學汗府芝記習初探
1.1初識機器學習
1.1.1從小蝌蚪找媽媽談起
1.1.2機器學習的主要任務
1.2工欲善其事，必先利其器
1.2.1scikitlearn
1.2.2NumPy
1.2.3SciPy
1.2.4Matplotlib
1.2.5Pandas
1.3最簡單的機器學習模型
1.3.1貝葉斯公式與邊緣分布
1.3.2先驗機率與後驗機率
1.3.3樸素貝葉酷乘斯分類器原理
1.4泰坦尼克之災
1.4.1認識問題及數據
1.4.2數據預處理
1.4.3特徵篩選
1.4.4分說酷堡諒類器的構建
1.4.5分類器的評估估員微
第2章一元線性回歸
2.1回歸分析的性質
2.2回歸的基本概念
2.2.1總體的回歸函式
2.2.2隨機干擾的意義
2.2.3樣本的回歸函式
2.3回歸模型的估計
2.3.1普通最小二乘法原理
2.3.2一元線性回歸的套用
2.3.3經典模型的基本再謎局假定
2.3.4總體方差的無偏估計
2.3.5估計參數的機率分布
2.4正態條件下的模型檢驗
2.4.1擬合優度提謎戀的檢驗
2.4.2整體性假定檢驗
2.4.3單個參數組祖祖的檢驗
2.5一元線性回歸模型預測
2.5.1點預測
2.5.2區間預測
第3章多元線性回歸
3.1多元線性回歸模型
3.2多元回歸模型估計
3.2.1最小二乘估計量
3.2...
