第1章 机器学习及其数学基础
1.1 机器学习与人工智能简述
1.1.1 人工智能的发展简史
1.1.2 机器学习与人工智能
1.2 高等数学
1.2.1 导数及求导法则
1.2.2 单调性、凹凸性与极值
1.2.3 多元函数的偏导数与梯度
1.2.4 多元函数的极值问题
1.3 线性代数
1.3.1 矩阵及其性质
1.3.2 向量组与线性相关性
1.3.3 相似矩阵
1.3.4 矩阵求导
1.4 概率论与数理统计
1.4.1 随机事件与概率
1.4.2 条件概率与贝叶斯公式
1.4.3 随机变量的概率分布
1.4.4 随机变量的数字特征
1.4.5 中心极限定理
1.4.6 极大似然估计
第2章 线性回归
2.1 线性回归模型
2.2 梯度下降算法
2.2.1 批量梯度下降算法
2.2.2 随机梯度下降算法
2.2.3 小批量梯度下降算法
2.2.4 梯度下降算法之间的联系
2.3 再看线性回归
2.4 正则方程
2.5 概率解释
2.6 线性回归的Python实现
2.6.1 线性回归的构造函数
2.6.2 梯度下降算法函数
2.6.3 迭代训练函数
2.6.4 正则方程函数
2.6.5 预测与测试函数
2.6.6 辅助函数
2.7 案例：利用线性回归预测波士顿房价
2.8 本章小结
第3章 局部加权线性回归
3.1 欠拟合与过拟合
3.2 局部加权线性回归模型
3.3 局部加权线性回归的Python实现
3.4 案例：再看预测波士顿房价
3.5 案例：利用局部加权线性回归预测鲍鱼年龄
3.6 本章小结
第4章 Logistic回归与Softmax回归
4.1 监督学习
4.2 Logistic回归
4.3 广义线性模型
4.4 Softmax回归
4.5 Logistic回归的Python实现
4.6 案例：利用Logistic回归对乳腺癌数据集进行分类
4.7 Softmax回归的Python实现
4.8 案例：利用Softmax回归对语音信号数据集进行分类
4.9 本章小结
第5章 模型评估与优化
5.1 模型性能度量
5.2 偏差-方差平衡
5.3 正则化
5.4 交叉验证
5.5 Ridge回归的Python实现
5.6 案例：再看预测鲍鱼年龄
5.7 带L2正则化的Softmax回归的Python实现
5.8 案例：再看语音信号数据集分类
5.9 本章小结
第6章 BP神经网络
6.1 神经网络模型
6.2 BP算法与梯度下降算法
6.3 BP神经网络的相关改进
6.4 BP神经网络的Python实现
6.5 案例：利用BP神经网络对语音信号数据集进行分类
6.6 本章小结
第7章 K-Means聚类算法
7.1 无监督学习与聚类
7.2 K-Means聚类算法
7.3 K-Means聚类的Python实现
7.4 案例：利用K-Means算法对Iris数据集进行聚类
7.5 本章小结
第8章 高斯混合模型
8.1 EM算法
8.2 高斯混合模型
8.3 GMM与K-Means的区别与联系
8.4 聚类性能评价指标
8.5 GMM的Python实现
8.6 案例：利用GMM对葡萄酒数据集进行聚类
8.7 本章小结
第9章 主成分分析
9.1 降维技术
9.2 主成分分析
9.3 核函数
9.4 核主成分分析
9.5 PCA的Python实现
9.6 案例：利用PCA对葡萄酒质量数据集进行降维
9.7 本章小结

机器学习是一门涉及高等数学、线性代数、概率论、统计学和运筹学等领域的交叉学科。机器学习的基础就是数学，这也就要求学习者要有良好的数学基础。为了降低机器学习的学习门槛，本书深入浅出地对机器学习算法的数学原理进行了严谨的推导；并利用Python 3对各种机器学习算法进行复现，还利用介绍的算法在相应数据集上进行实战。本书主要内容包括机器学习及其数学基础；线性回归、局部加权线性回归两种回归算法；Logistic回归、Softmax回归和BP神经网络3种分类算法；模型评估与优化；K-Means聚类算法、高斯混合模型两种聚类算法和一种降维算法——主成分分析。
本书理论性与实用性兼备，既可作为初学者的入门书籍，也可作为求职者的面试宝典，更可作为职场人士转岗的实用手册。本书适合需要全面学习机器学习算法的初学者、希望掌握机器学习算法数学理论的程序员、想转行从事机器学习算法的专业人员、对机器学习算法兴趣浓厚的人员、专业培训机构学员和希望提高Python编程水平的程序员。