.
第一部分:入門篇第 1 章 機器學習預備知識第二部分:監督學習單模型第 2 章 線性迴歸第 3 章 邏輯迴歸第 4 章 迴歸模型擴展第 5 章 線性判別分析第 6 章 k 近鄰演算法第 7 章 決策樹第 8 章 神經網路第 9 章 支援向量機第三部分:監督學習整合模型第 10 章 AdaBoost第 11 章 GBDT第 12 章 XGBoost第 13 章 LightGBM第 14 章 CatBoost第 15 章 隨機森林第 16 章 整合學習:對比與調參第四部分:無監督學習模型第 17 章 聚類分析與 k 均值聚類演算法第 18 章 主成分分析第 19 章 奇異值分解第五部分:機率模型第 20 章 最大訊息熵模型第 21 章 貝氏機率模型第 22 章 EM 演算法第 23 章 隱馬可夫模型第 24 章 條件隨機場第 25 章 馬可夫鏈蒙地卡羅方法第六部分:總結第 26 章 機器學習模型總結參考文獻
用Python快速上手資料分析與機器學習 第二版 圖解演算法原理 白話機器學習