《机器学习100天》！理论+python！实战真正的从零开始机器学习，循序渐进，适合初学者快速入门和进阶！

思维导图：

第0章：准备工作

• 001 开发环境搭建

第1章：数据预处理

• 002 导入数据集

• 003 处理缺失值

• 004 类别特征编码

• 005 划分训练集/测试集

• 006 标准化

第2章：线性回归

• 007 简单线性回归-理论

• 008 简单线性回归-房价预测

• 009 多项式回归-理论

• 010 多项式回归-Python实战

第3章：回归模型评估指标

• 011 回归模型评估指标

• 012 回归模型评估指标-Python实战

第4章：梯度下降算法

• 013 梯度下降算法-理论

• 014 梯度下降算法求解线性回归

第5章：逻辑回归

• 015 逻辑回归-基本原理

• 016 逻辑回归-损失函数

• 017 逻辑回归-梯度下降算法

• 018 逻辑回归-Python实战

第6章：分类模型评估指标

• 019 分类模型评估指标-混淆矩阵

• 020 分类模型评估指标-PR曲线

• 021 分类模型评估指标-ROC曲线和AUC

• 022 分类模型评估指标-Python实现

第7章：过拟合问题

• 023 欠拟合与过拟合

• 024 L1/L2正则化

• 025 线性回归中的正则化

第8章：K近邻算法

• 026 K近邻分类算法-理论

• 027 Python中的函数和类

• 028 K近邻分类算法-Python实现

• 029 K折交叉验证

• 030 K近邻分类算法-K值的选择

• 031 K近邻回归算法

• 032 KD树的构造与搜索

• 033 KD树的Python实现

第9章：贝叶斯算法

• 034 先验概率、条件概率

• 035 贝叶斯公式

• 036 朴素贝叶斯

• 037 朴素贝叶斯-挑个好西瓜

• 038 朴素贝叶斯-处理离散数据

• 039 朴素贝叶斯-处理连续数据

第10章：支持向量机（SVM）

• 040 线性支持向量机-公式推导

• 041 对偶支持向量机-公式推导

• 042 线性支持向量机的Python实现

• 043 核支持向量机

• 044 核支持向量机的Python实现

• 045 软间隔SVM

• 046 软间隔SVM的Python实现

• 047 支持向量回归SVR

• 048 支持向量回归的Python实现

第11章：决策树

• 049 决策树-基于ID3算法

• 050 决策树-基于ID3算法的Python实现

• 051 决策树-基于C4.5算法

• 052 决策树-基于C4.5算法的Python实现

• 053 决策树-基于CART算法

• 054 决策树-基于CART树剪枝

• 055 决策树-基于CART算法处理分类问题

• 056 决策树-基于CART算法处理回归问题

第12章：集成模型

• 057 Bagging

• 058 随机森林算法-基本原理

• 059 随机森林算法的Python实现

• 060 Boosting

• 061 AdaBoost-基本原理

• 062 AdaBoost的Python实现

• 063 GBDT-基本原理

• 064 GBDT的Python实现

• 065 XGBoost-基本原理

• 066 XGBoost的Python实现

• 067 LightGBM-基本原理

• 068 LightGBM的Python实现

• 069 CatBoost-基本原理

• 070 CatBoost的Python实现

第15章：K-Means聚类算法

• 071 K-Means聚类算法-基本原理

• 072 K-Means聚类算法的Python实现

第16章：主成分分析PCA

• 073 主成分分析PCA基本原理

• 074 主成分分析PCA的Python实现

第17章：奇异值分解SVD

• 075 奇异值分解SVD基本原理

• 076 奇异值分解SVD的Python实现

第17章：神经网络基础

• 077 深度学习概述

• 078 感知机

• 079 多层感知机

• 080 Jupyter Notebook快速入门

第18章：浅层神经网络

• 081 基本结构

• 082 前向传播

• 083 激活函数

• 084 反向传播

• 085 更新参数

• 086 参数初始化

• 087 神经网络的Python实现

第19章：深层神经网络

• 088 神经网络为什么要深

• 089 符号标记

• 090 前向传播与反向传播

• 091 多分类函数Softmax

• 092 深层神经网络的Python实现

第20章：优化神经网络

• 093 正则化

• 094 梯度优化

• 095 梯度消失/梯度爆炸

• 096 批归一化（Batch Normalization）

• 097 超参数调试

• 098 训练/验证/测试集

• 099 错误分析

第21章：完结

• 100 总结