機器學習的公式推導和程式實作

章節說明: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

章節說明: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：...