《机器学习算法的数学解析与Python实现》以机器学习的算法为主线，深入剖析算法的概念和数学原理，以通俗形象的语言进行讲解，让读者无须储备很多数学知识，就能看懂数学公式所表达的意思，从而快速掌握机器学习的思想和原理。　　《机器学习算法的数学解析与Python实现》首先介绍机器学习的基本概念及工具，然后从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中的主要算法，如线性回归算法、Logistic回归算法、KNN算法、朴素贝叶斯算法、决策树算法、支持向量机算法、K-means聚类算法、神经网络、集成学习方法等。　　如果你之前不太了解机器学习，现在想要了解机器学习的主流算法和原理，并希望快速、清晰地建立对机器学习的“大局观”，但是担心一上来就被各种艰涩的数学公式“揍”得眼冒金星，或者担心文字过于“戏说”而失去了机器学习算法的本义，那《机器学习算法的数学解析与Python实现》也许就是你想要的。　　《机器学习算法的数学解析与Python实现》要特色：　　生动——语言生动幽默，通过分析大量生活案例，帮助读者理解机器学习的算法。　　简单——让很多听起来高大上的名词更加贴近实际应用。　　实用——精选了主要的机器学习算法，如线性回归算法、Logistic回归算法、KNN算法、朴素贝叶斯算法、决策树算法、支持向量机算法、K-means聚类算法、神经网络、集成学习方法等。　　系统——从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中主要的算法。 　　莫凡，新技术深度爱好者，曾经从事信息安全前沿技术跟踪研究和数据分析工作，在各类信息安全类技术期刊发表文章五十余篇，现转为投身高端知识“白菜化”项目，希望能让将更多听起来高大上的名词沾一沾“人间烟火”，成为日常生活中真正用得上的知识。 前言第1章 机器学习概述1．1 什么是机器学习1．2 机器学习的几个需求层次1．3 机器学习的基本原理1．4 机器学习的基本概念1．4．1 书中用到的术语介绍1．4．2 机器学习的基本模式1．4．3 优化方法1．5 机器学习问题分类1．6 常用的机器学习算法1．7 机器学习算法的性能衡量指标1．8 数据对算法结果的影响第2章 机器学习所需的环境2．1 常用环境2．2 Python简介2．2．1 Python的安装2．2．2 Python的基本用法2．3 Numpy简介2．3．1 Numpy的安装2．3．2 Numpy的基本用法2．4 Scikit-Learn简介2．4．1 Scikit-Learn的安装2．4．2 Scikit-Learn的基本用法2．5 Pandas简介2．5．1 Pandas的安装2．5．2 Pandas的基本用法第3章 线性回归算法3．1 线性回归：“钢铁直男”解决回归问题的正确方法3．1．1 用于预测未来的回归问题3．1．2 怎样预测未来3．1．3 线性方程的“直男”本性3．1．4 最简单的回归问题——线性回归问题3．2 线性回归的算法原理3．2．1 线性回归算法的基本思路3．2．2 线性回归算法的数学解析3．2．3 线性回归算法的具体步骤3．3 在Python中使用线性回归算法3．4 线性回归算法的使用场景第4章 Logistic回归分类算法4．1 Logistic回归：换上“S型曲线、马甲”的线性回归4．1．1 分类问题：选择困难症患者的自我救赎4．1．2 Logistic函数介绍4．1．3 此回归非彼回归：“LR”辨析4．2 Logistic回归的算法原理4．2．1 Logistic回归算法的基本思路4．2．2 Logistic回归算法的数学解析4．2．3 Logistic回归算法的具体步骤4．3 在Python中使用Logistic回归算法4．4 Logistic回归算法的使用场景……第5章 KNN分类算法第6章 朴素贝叶斯分类算法第7章 决策树分类算法第8章 支持向量机分类算法第9章 K-means聚类算法第10章 神经网络分类算法第11章 集成学习方法