封面 书名页 版权页 推荐序 前言 目录页 0 绪论 0.1 机器学习基础 0.1.1 机器学习的概念 0.1.2 机器学习算法的分类 0.2 监督学习 0.2.1 监督学习 0.2.2 监督学习的流程 0.2.3 监督学习算法 0.3 无监督学习 0.3.1 无监督学习 0.3.2 无监督学习的流程 0.3.3 无监督学习算法 0.4 推荐系统和深度学习 0.4.1 推荐系统 0.4.2 深度学习 0.5 Python和机器学习算法实践 参考文献 第一部分 分类算法 1 Logistic Regression 1.1 Logistic Regression模型 1.2 梯度下降法 1.3 梯度下降法的若干问题 1.4 Logistic Regression算法实践 参考文献 2 Softmax Regression 2.1 多分类问题 2.2 Softmax Regression算法模型 2.3 Softmax Regression算法的求解 2.4 Softmax Regression与Logistic Regression的关系 2.5 Softmax Regression算法实践 参考文献 3 Factorization Machine 3.1 Logistic Regression算法的不足 3.2 因子分解机FM的模型 3.3 FM算法中交叉项的处理 3.4 FM算法的求解 3.5 因子分解机FM算法实践 参考文献 4 支持向量机 4.1 二分类问题 4.2 函数间隔和几何间隔 4.3 支持向量机 4.4 支持向量机的训练 4.5 支持向量机SVM算法实践 参考文献 5 随机森林 5.1 决策树分类器 5.2 CART分类树算法 5.3 集成学习（Ensemble Learning） 5.4 随机森林（Random Forests） 5.5 随机森林RF算法实践 参考文献 6 BP神经网络 6.1 神经元概述 6.2 神经网络模型 6.3 神经网络中参数的求解 6.4 BP神经网络中参数的设置 6.5 BP神经网络算法实践 参考文献 第二部分 回归算法 7 线性回归 7.1 基本线性回归 7.2 线性回归的最小二乘解法 7.3 牛顿法 7.4 利用线性回归进行预测 7.5 局部加权线性回归 参考文献 8 岭回归和Lasso回归 8.1 线性回归存在的问题 8.2 岭回归模型 8.3 Lasso回归模型 8.4 拟牛顿法 8.5 L-BFGS求解岭回归模型 8.6 岭回归对数据的预测 参考文献 9 CART树回归 9.1 复杂的回归问题 9.2 CART回归树生成 9.3 CART回归树剪枝 9.4 CART回归树对数据预测 参考文献 第三部分 聚类算法 10 K-Means 10.1 相似性的度量 10.2 K-Means算法原理 10.3 K-Means算法实践 10.4 K-Means++算法 参考文献 11 Mean Shift 11.1 Mean Shift向量 11.2 核函数 11.3 Mean Shift算法原理 11.4 Mean Shift算法的解释 11.5 Mean Shift算法实践 参考文献 12 DBSCAN 12.1 基于密度的聚类 12.2 DBSCAN算法原理 12.3 DBSCAN算法实践 参考文献 13 Label Propagation 13.1 社区划分 13.2 Label Propagation算法原理 13.3 Label Propagation算法过程 13.4 Label Propagation算法实践 参考文献 第四部分 推荐算法 14 协同过滤算法 14.1 推荐系统的概述 14.2 基于协同过滤的推荐 14.3 相似度的度量方法 14.4 基于协同过滤的推荐算法 14.5 利用协同过滤算法进行推荐 参考文献 15 基于矩阵分解的推荐算法 15.1 矩阵分解 15.2 基于矩阵分解的推荐算法 15.3 利用矩阵分解进行推荐 15.4 非负矩阵分解 15.5 利用非负矩阵分解进行推荐 参考文献 16 基于图的推荐算法 16.1 二部图与推荐算法 16.2 PageRank算法 16.3 PersonalRank算法 16.4 利用PersonalRank算法进行推荐 参考文献 第五部分 深度学习 17 AutoEncoder 17.1 多层神经网络 17.2 AutoEncoder模型 17.3 降噪自编码器Denoising AutoEncoder 17.4 利用Denoising AutoEncoders构建深度网络 17.5 利用TensorFlow实现Stacked Denoising AutoEncoders 参考文献 18 卷积神经网络 18.1 传统神经网络模型存在的问题 18.2 卷积神经网络 18.3 卷积神经网络的求解 18.4 利用TensorFlow实现CNN 参考文献 第六部分 项目实践 19 微博精准推荐 19.1 精准推荐 19.2 基于用户行为的挖掘 19.3 基于相似用户的挖掘 19.4 点击率预估 19.5 各种数据技术的效果 参考文献 附录A 附录B ..更多