●深入淺出算法原理 ●輕松實現上手操作

●真正粉碎數學硬核 ●Python語言完整實現

從會用到理解，從上手到真正的領域專家

機器學習涉及的知識特別多，令人應接不睱；實際工程應用非常廣，令人不得不學。目前，很多高校開設了人工智能、大數據專業，很多企業也需要用到人工智能技術。人工智能、大數據基礎的知識領域自然還是機器學習。于是，學習機器學習的人越來越多。

當前市面上已有不少有關機器學習的圖書。有的淺嘗輒止，一種模型三五頁就講完了，讓人大致明白但又感覺不著地；有的滿版公式，讓人不得要領；有的只有理論講解沒有實例，讓人不好動手練習。我覺得根據讀者對知識的學習訴求和規律來寫作圖書可以解決這些問題。我把對機器學習有學習動機的讀者分成三類：

1．會用即可的讀者。這類讀者的訴求是只要會用某個類庫（如scikit-learn）建立簡單的機器學習模型、能做數據分析和預測即可。針對這類讀者，寫一大堆數學公式沒有意義。

2．想深入學習的讀者。這類讀者的訴求是要學懂每個模型的數學原理，會推導公式。這類讀者得掌握微積分、線性代數、概率論、統計學這四門課程的知識。

3．想成為專家的讀者。這類讀者的訴求是要學習每種模型的高級知識，并能融會貫通地使用開發工具找到較為理想的模型參數。那就需要掌握一些更為復雜的數據結構、算法分析與設計知識，并能接受厚重的知識閱讀量。

為了滿足這三類讀者的訴求，考慮到機器學習的模型眾多，我不打算在本書中講解所有的機器學習模型，而是針對機器學習中基礎和關鍵的線性回歸、邏輯回歸、決策樹、貝葉斯、支持向量機、KNN這六種模型來進行詳細講解，并采取如下的寫法：

1．第1、2章用于打基礎。講解有關機器學習的基本概念，說明如何使用Python編程做簡單的開發。

2．對每個模型分3章來講解。第1章滿足會用即可的讀者；第2章滿足想深入學習的讀者；第3章滿足想成為專家的讀者。由于KNN模型相對簡單一些，沒有編寫第3章。

3．每個模型均有實例講解。有的使用scikit-learn庫編程實現，有的自主編程實現。我認為理解了原理，完全可以自己編程實現，只是我們沒有必要這么做。多數情況下，使用類庫編程即可，理解原理則還能有目標地調節參數來找到更為理想的模型。

本書有三點特色：

1．語言表達輕快。我比較喜歡閱讀文字表達像聊天的圖書，自己寫作也將運用這種風格，盡管可能會損失一點數學的嚴謹性。

2．模型講解細致。對每個模型有關的數學知識、原理、公式推導都講得很細致。

3．圖表配備眾多。一圖決勝千里，能用圖表達出原理就用圖表達。全書一共配了280多幅插圖和80多張表格。

如果讀者能把本書通讀下來，相信再去閱讀有關某一種模型的專著和學術論文將會輕松很多，也將能看得懂滿版的數學公式；而且用于工程實踐也不會是難事，讀者要做的更多的是分析業務場景的需求、構建模型所需的數據。

鑒于作者的水平有限，疏漏之處在所難免，敬請讀者多批評、指教，我的郵箱是dengziyun@126.com，歡迎來信溝通交流。

感謝中國水利水電出版社萬水分社的周春元副總經理，他經常和我探討選題的寫作、宣傳和讀者的需求，給了我創作的動力。感謝我的夫人黃婧女士，她承擔了大量的家務及帶孩子的事務，使得我有時間在工作之余進行創作。還要感謝參考文獻中的很多作者及CSDN、博客園、知乎上的很多博主，他們的創作成果為我的寫作提供了大量的參考資料。

本書的創作只是個開始，如果讀者反饋寫得還不錯，我將繼續創作討論機器學習其他模型的圖書。最后給出全書為三類讀者準備的學習路線總圖供閱讀、參考。

為減輕讀者購書成本，本書采用了黑白印刷，這可能導致某些圖片的印刷效果不如彩色印刷效果好。因此，特將本書所有圖片及書中源代碼打包，如有需要，讀者可掃描下方二維碼進行免費下載。

第1章 認知機器學習 1
1.1 什么是機器學習 2
1.1.1 理解機器學習的定義 2
1.1.2 機器學習有哪些模型 3
1.2 怎么學習機器學習 4
1.2.1 學習的總體步驟 4
1.2.2 理清工具與原理的關系 4
1.3 搭建開發環境 5
1.3.1 下載和安裝Anaconda 5
1.3.2 Anaconda的5個工具軟件 5
1.4 小結 6
第2章 打下開發基礎 7
2.1 學會使用常用的數據結構 8
2.1.1 列表 8
2.1.2 字典 10
2.1.3 numpy 11
2.2 能用matplotlib繪圖 15
2.2.1 畫點 15
2.2.2 畫線 16
2.2.3 畫面 16
2.2.4 畫多個子圖 16
2.3 能編程保存和加載機器學習模型 18
2.3.1 保存模型 18
2.3.2 加載模型 18
2.4 小結 18
第3章 入門先學會使用線性回歸 19
3.1 初步理解線性回歸 20
3.1.1 涉及的主要術語 20
3.1.2 線性方程的表達 21
3.1.3 擬合出的線的樣子 24
3.2 了解線性回歸的過程 26
3.2.1 做線性回歸的過程 26
3.2.2 模型的評價指標 27
3.2.3 數據集的劃分 29
3.3 做線性回歸的實例 30
3.3.1 用圖觀察數據項之間的關系 31
3.3.2 對數據集進行劃分 33
3.3.3 用數據訓練模型 34
3.3.4 用模型做預測 35
3.3.5 對模型做評價 38
3.4 使用更復雜的線性回歸模型 46
3.4.1 以一元高次方程為模型 46
3.4.2 以多元一次方程為模型 51
3.4.3 以多元高次方程為模型 54
3.5 小結 58
第4章 學習線性回歸背后的數學原理 60
4.1 補充學習高等數學知識 62
4.1.1 導數的意義 62
4.1.2 常用的求導法則 62
4.1.3 求某點的導數值 65
4.1.4 復合函數的導數 68
4.1.5 偏導數 70
4.1.6 行列式及其計算方法 72
4.1.7 矩陣及其計算方法 76
4.1.8 線性方程組的解法 81
4.2 理解和使用最小二乘法 85
4.2.1 為什么叫最小二乘法 85
4.2.2 求解一元一次方程模型的參數 87
4.2.3 求解多元一次方程模型的參數 94
4.2.4 求解一元高次方程和多元高次方程模型的參數 101
4.2.5 多種模型之間的比較 101
4.3 學習和使用梯度下降法 102
4.3.1 什么是梯度和梯度下降法 102
4.3.2 多元函數的梯度下降法 104
4.3.3 設置迭代的出口和學習率 110
4.3.4 線性回歸的梯度下降法 113
4.3.5 由誤差函數的圖形引發對極小值的討論 119
4.3.6 遍歷訓練數據做線性回歸的三種梯度下降法 122
4.4 小結 126
第5章 深入淺出線性回歸的高級知識 128
5.1 模型優化要解決什么問題 129
5.1.1 欠擬合、過擬合和恰當擬合 129
5.1.2 怎么解決過擬合的問題 130
5.2 用嶺回歸對線性回歸模型做懲罰 130
5.2.1 做嶺回歸用最小二乘法時的數學原理 131
5.2.2 用嶺跡法找到合適的λ值 132
5.2.3 做嶺回歸用梯度下降法時的數學原理 135
5.2.4 用交叉驗證法找到合適的λ值 136
5.3 用Lasso回歸對線性回歸模型做懲罰 146
5.3.1 Lasso回歸的數學原理 146
5.3.2 從圖形上理解Lasso回歸 150
5.3.3 用坐標軸下降法做Lasso回歸 152
5.4 化繁為簡使用scikit-learn庫 164
5.4.1 用最小二乘法做線性回歸 164
5.4.2 做嶺回歸 166
5.4.3 做Lasso回歸 172
5.4.4 使用彈性網絡做線性回歸 174
5.5 小結 177
第6章 學會使用邏輯回歸 179
6.1 初步理解邏輯回歸 180
6.1.1 涉及的主要術語 180
6.1.2 線性分類的圖形表達 180
6.1.3 邏輯回歸的圖形表達 183
6.2 用scikit-learn庫做邏輯回歸 185
6.2.1 引入乳腺癌數據集 186
6.2.2 用邏輯回歸預測乳腺癌 187
6.2.3 評估邏輯回歸模型 190
6.2.4 得到模型參數 192
6.2.5 得到分類的可能性值 193
6.3 解決多分類的問題 194
6.3.1 引入鳶尾花數據集 194
6.3.2 用One-Vs-All解決多分類問題 195
6.3.3 用One-Vs-One解決多分類問題 203
6.4 小結 205
第7章 學習邏輯回歸背后的數學原理 207
7.1 補充學習高等數學知識 208
7.1.1 凸函數和Hessian矩陣 208
7.1.2 大數定律和中心極限定理 210
7.1.3 正態分布和伯努利分布 211
7.1.4 條件概率和似然函數 212
7.2 理解邏輯回歸的數學原理 213
7.2.1 找到合適的用于優化的函數 213
7.2.2 在邏輯回歸中使用梯度下降法的數學原理 215
7.3 用梯度下降法求解邏輯回歸模型 216
7.3.1 將鳶尾花分成兩類 216
7.3.2 預測乳腺癌 220
7.4 小結 222
第8章 深入淺出邏輯回歸的高級知識 224
8.1 對邏輯回歸做正則化 226
8.1.1 理解L2正則化的數學原理 226
8.1.2 用L2正則化預測乳腺癌 226
8.1.3 用其他懲罰方式做邏輯回歸 228
8.2 化繁為簡使用scikit-learn庫 228
8.2.1 熟悉并使用LogisticRegression類 228
8.2.2 熟悉并使用SGDClassifier類 230
8.2.3 熟悉并使用LogisticRegressionCV類 232
8.2.4 用LogisticRegression類做多分類 233
8.3 補充學習一些更高級的數學知識 234
8.3.1 泰勒公式 235
8.3.2 牛頓法和擬牛頓法的優化原理 239
8.3.3 lbfgs優化方法 247
8.3.4 newton-cg優化方法 248
8.3.5 liblinear優化方法 255
8.3.6 sag和saga優化方法 257
8.4 用softmax解決多分類問題 262
8.4.1 多分類的原理 262
8.4.2 畫出多分類的界線 266
8.5 小結 269
第9章 學會使用樸素貝葉斯 271
9.1 初步理解樸素貝葉斯 272
9.1.1 樸素貝葉斯定理的一些基本術語 272
9.1.2 樸素貝葉斯怎么得出屬于某一類的概率 274
9.2 用scikit-learn做樸素貝葉斯分類 276
9.2.1 使用GuassianNB類做鳶尾花分類 276
9.2.2 使用MultinomialNB類和BernoulliNB類 278
9.3 小結 279
第10章 學習樸素貝葉斯背后的數學原理 281
10.1 理解樸素貝葉斯分類的數學原理 282
10.1.1 理解全概率公式并推導樸素貝葉斯公式 282
10.1.2 利用樸素的內涵再推演樸素貝葉斯公式 284
10.2 進一步說明scikit-learn中做樸素 貝葉斯分類的類 285
10.2.1 再看GuassianNB類 285
10.2.2 再看MultinomialNB類和BernoulliNB類 287
10.3 做區分垃圾郵件和非垃圾郵件的 項目實戰 288
10.3.1 理解spambase數據集 288
10.3.2 使用3種樸素貝葉斯模型區分垃圾郵件和非垃圾郵件 289
10.4 小結 291
第11章 深入淺出貝葉斯的高級知識 292
11.1 會用有向圖表達貝葉斯網絡 293
11.1.1 深刻理解獨立和互斥的概念 293
11.1.2 用有向無環圖表達貝葉斯網絡 294
11.1.3 理解貝葉斯網絡的3種基本結構 296
11.1.4 打貝葉斯球來分析兩個事件是否關聯 299
11.2 使用pgmpy建模貝葉斯網絡 301
11.2.1 安裝pgmpy 301
11.2.2 構建某女士結交男友決策的貝葉斯網絡 301
11.2.3 用貝葉斯網絡做預測 308
11.2.4 讓貝葉斯網絡自動學習到條件概率表 310
11.3 小結 311
第12章 學會使用決策樹 313
12.1 初步理解決策樹 314
12.1.1 決策樹中的一些專業術語 314
12.1.2 常見的3種決策樹算法 315
12.2 用scikit-learn做決策樹分類 315
12.2.1 用信息增益做分類 316
12.2.2 用基尼指數做分類 317
12.2.3 畫鼉霾呤� 319
12.3 小結 321
第13章 學習決策樹背后的數學原理 322
13.1 學會計算決策樹的專業術語表示的量 323
13.1.1 計算信息熵 323
13.1.2 計算信息增益 326
13.1.3 計算信息增益比 328
13.1.4 計算基尼指數 328
13.1.5 計算基尼指數增加值 330
13.2 理解3種決策樹算法 330
13.2.1 理解ID3決策樹算法 330
13.2.2 scikit-learn庫用信息增益生成決策樹的算法 335
13.2.3 理解CART算法 339
13.2.4 用CART算法做分類 341
13.2.5 用CART算法做回歸 342
13.3 深入學習用scikit-learn做決策樹分類 和回歸 343
13.3.1 DecisionTreeClassifier類的方法和屬性 343
13.3.2 DecisionTreeRegressor類的方法和屬性 345
13.3.3 用決策樹做鳶尾花分類 346
13.3.4 用決策樹做房價回歸分析 351
13.4 小結 355
第14章 深入淺出決策樹的高級知識 357
14.1 學會選擇和調節決策樹模型的參數 358
14.1.1 用交叉驗證法選擇更好的參數 358
14.1.2 用GridSearchCV類調節參數模型 363
14.2 理解后剪枝的原理并做實現 367
14.2.1 后剪枝有哪些策略 367
14.2.2 后剪枝之MEP策略 368
14.2.3 后剪枝之REP策略 377
14.2.4 后剪枝之PEP策略 378
14.2.5 后剪枝之CCP策略 382
14.3 小結 386
第15章 學會使用支持向量機 388
15.1 初步理解支持向量機 389
15.1.1 線性支持向量機 389
15.1.2 非線性支持向量機 389
15.2 用scikit-learn做支持向量機分類 390
15.2.1 做線性分類 390
15.2.2 做非線性分類 392
15.3 小結 394
第16章 學習支持向量機背后的數學原理 395
16.1 學會計算距離 396
16.1.1 兩點之間的距離 396
16.1.2 點到超平面的距離 398
16.1.3 函數距離和幾何距離 402
16.2 學懂拉格朗日乘數法 402
16.2.1 用拉格朗日乘數法求等式約束下的極值 403
16.2.2 再次深刻理解梯度 406
16.2.3 用拉格朗日乘數法求不等式約束下的極值 408
16.2.4 用拉格朗日乘數法和KKT應對更復雜的情況 411
16.3 理解支持向量機的數學原理 413
16.3.1 從感知機談起 414
16.3.2 感知機模型的感知策略 416
16.3.3 用感知機模型做鳶尾花的二分類 419
16.4 硬間隔支持向量機 424
16.4.1 構建出目標函數及約束不等式 425
16.4.2 用拉格朗日乘數法求解目標函數和約束不等式 427
16.5 小結 432
第17章 深入淺出支持向量機的高級知識 434
17.1 用SMO算法求解硬間隔支持向量機的λ 435
17.1.1 轉化優化問題 436
17.1.2 迭代更新的辦法 438
17.2 軟間隔支持向量機 441
17.2.1 軟間隔支持向量機的優化問題 441
17.2.2 迭代時對參數值的剪輯 443
17.2.3 求解其他參數值 445
17.2.4 求解軟間隔支持向量機模型的步驟總結 446
17.2.5 合頁損失函數 447
17.3 自己編程實現支持向量機 448
17.3.1 實現SMO算法 448
17.3.2 實現二分類應用 453
17.4 非線性支持向量機 455
17.4.1 理解非線性支持向量機的原理 455
17.4.2 學懂Mercer定理 458
17.4.3 最簡單的線性核函數 458
17.4.4 多項式核函數 460
17.4.5 高斯核函數 461
17.4.6 Sigmoid核函數 464
17.5 用支持向量機做回歸分析 465
17.5.1 理解支持向量回歸的原理 465
17.5.2 用拉格朗日乘數法做推導 466
17.6 深入淺出用scikit-learn做分類和回歸 467
17.6.1 熟悉線性支持向量機（LinearSVC） 467
17.6.2 熟悉非線性支持向量機（SVC） 468
17.6.3 熟悉線性向量回歸（LinearSVR）和非線性回歸（SVR） 469
17.6.4 調節非線性支持向量機的參數 469
17.6.5 調節非線性支持向量回歸模型的參數 472
17.7 小結 474
第18章 學會使用KNN 476
18.1 理解KNN的基本原理 477
18.1.1 不用數學公式講解KNN的原理 477
18.1.2 擴展到多分類和回歸應用 477
18.1.3 怎么確定KNN模型的k值 478
18.2 用KNN做分類和回歸 478
18.2.1 用KNN模型做鳶尾花分類 478
18.2.2 用KNN模型做房屋價格回歸 480
18.3 小結 482
第19章 學習KNN背后的數學原理 483
19.1 理解KNN的數學原理 484
19.1.1 用KNN做分類的數學原理 484
19.1.2 有多個備選分類及樣本數量不均衡問題的解決辦法 485
19.1.3 用KNN做回歸的數學原理 487
19.2 再次討論距離的度量 487
19.2.1 歐幾里得距離 488
19.2.2 曼哈頓距離和閔可夫斯基距離 488
19.2.3 夾角的余弦 489
19.2.4 杰卡德相似系數和杰卡德相似距離 489
19.3 利用搜索樹加速查找 489
19.3.1 構建KD樹 489
19.3.2 運用KD樹找到k個近鄰點 491
19.3.3 構建Ball樹 496
19.3.4 運用Ball樹找到k個近鄰點 499
19.4 調節KNN模型的參數 501
19.4.1 熟悉KNeighborsClassifier類 501
19.4.2 調節KNeighborsClassifier模型的參數 502
19.4.3 熟悉KNeighborsRegressor類并學會調節參數 504
19.5 小結 506
后續學習建議 508
參考文獻 509

1. 輸水管線工程風險管理 [張勇 黨亥生 著]
2. 民用航空飛機標準線路施工 [主編　王志敏　陳明]
3. 不息的水脈—大運河講談錄 [趙珩　著]
4. 實用運籌學 [主編　邢育紅　于晉臣]
5. 三峽梯級電站水資源決策支持系統研究與開發 [姚華明 潘紅忠 湯正]
6. 海南黎族民俗文化鑒賞 [龐國華　著]
7. 石墨烯在太赫茲及中紅外頻段電磁器件設計中的應用 [李艷秀 莊華偉 著]
8. 電子技術（第二版） [主編 覃愛娜 李飛]
9. 辦公自動化高級應用 [陳萍 朱曉玉]
10. 信息處理技術員考試32小時通關 [薛大龍]
11. 電子產品設計案例教程（微課版）—基于嘉立創EDA（專業版） [王靜 莫志宏 陳學昌 丁紅]
12. C程序設計實踐教程 [劉衛國]
13. C程序設計（慕課版） [劉衛國]
14. Web技術開發教程（基于.NET開源MVC框架） [王合闖 韓紅玲 王青正 陳海蕊]
15. 商務英語翻譯教程（筆譯）（第四版） [主編 王軍平]
16. 智慧零售技術與應用 [洪旭 著]
17. 建設工程法規實務 [主編 余瀅]
18. 商務秘書理論與實務（第三版） [主編 張同欽]
19. 程序設計基礎實踐教程（C/C++語言版） [張桂芬 葛麗娜]
20. C++案例項目精講 [主編 楊國興]
21. 勞動爭議處理實務 [主編 王秀卿 羅靜]
22. 工程數學 [主編 郭立娟 王海]
23. 語音識別理論與實踐 [主編　莫宏偉]
24. 信息系統項目管理師章節習題與考點特訓（第二版） [主編 薛大龍]
25. 武術基礎教程 [主編 李代勇 謝志民]
26. 計算機網絡實訓教程 [主編 張浩軍 趙玉娟]
27. 畫法幾何與機械制圖習題集（多學時） [主編 趙軍]
28. HCIA-Datacom認證題庫分類精講 [主 編 韓立剛]
29. SwiftUI完全開發 [李智威 著]
30. 網絡規劃設計師備考一本通 [夏杰 編著]