Introduction_to_ml_with_python

01.Introduction

02.supervised learning

2.1　分类与回归

2.2　泛化、过拟合与欠拟合

2.3　监督学习算法

2.3.1　一些样本数据集

2.3.2　k近邻

2.3.3　线性模型

1. 用于回归的线性模型

2. 线性回归（又名普通最小二乘法）

3. 岭回归

4. lasso

5. 用于分类的线性模型

6. 用于多分类的线性模型

7. 优点、缺点和参数

2.3.4　朴素贝叶斯分类器

2.3.5　决策树

1. 构造决策树

2. 控制决策树的复杂度

3. 分析决策树

4. 树的特征重要性

5. 优点、缺点和参数

2.3.6　决策树集成

1. 随机森林

2. 梯度提升回归树（梯度提升机）

2.3.7　核支持向量机

1. 线性模型与非线性特征

2. 核技巧

3. 理解SVM

4. SVM调参

5. 为SVM预处理数据

2.3.8　神经网络（深度学习）

1. 神经网络模型

2. 神经网络调参

3. 优点、缺点和参数

2.4　分类器的不确定度估计

2.4.1　决策函数

2.4.2　预测概率

2.4.3　多分类问题的不确定度

2.5　小结与展望