第一章 机器学习基础 什么是机器学习？ 贝叶斯统计推断 优化简介 优化简介(续) 机器学习理论基础 K-近邻 朴素贝叶斯(Naive Bayes) 衡量分类问题好坏的统计指标 用于模型选择的交叉验证方法, 正则化 第二章 逻辑回归，树模型和集成学习 逻辑回归 特征选择, 文本统计处理 图像识别 决策树，基尼不纯度 商, 决策树的建立 决策树: 模型参数 回归树 集成学习: 随机森林 集成学习: GBM，XGBoost 第三章 支持向量机，无监督学习 支持向量机: 线性分类 软边际，和逻辑回归的比较 支持向量机: 非线性和核函数 支持向量机: 几何解释 无监督学习：降维， 主成分分析 (PCA) 特征降维在监督学习中的应用 无监督学习：聚类 第四章 神经网络和深度学习 神经网络：从逻辑回归到MLP 激活函数 目标损失函数， 反向传播 多层感知器例子 Keras/TensorFlow 和神经网络 深度学习中的优化 卷积神经网络 CNN 卷积神经网络在图像处理中的应用 循环神经网络RNN 循环神经网络 LSTM LSTM 在自然语言处理中的应用