-
-
K近邻算法概述：工作原理，一般流程；
-
KNN示例：加载数据，分析数据，数据归一化，定义KNN算法，划分数据集，训练测试，使用算法构建完整可用系统；
-
-
-
决策树构造：伪代码，一般流程，信息增益，划分数据集，递归构造决策树；
-
测试和存储决策树：使用决策树执行分类，决策树存储；
-
-
-
基于贝叶斯决策理论的分类方法：贝叶斯准则，使用条件概率进行分类；
-
使用朴素贝叶斯进行文档分类：朴素贝叶斯一般过程，假设条件；
-
使用Python进行文本分类：从文本中构建词向量，从词向量中计算概率，根据现实情况修改分类器，文档词袋模型；
-
示例：使用朴素贝叶斯过滤垃圾邮件；
-
-
-
逻辑回归一般过程；
-
基于逻辑回归和Sigmod函数的分类；
-
基于最优化方法的最佳回归系数确定：梯度上升法，使用梯度上升寻找最佳参数，绘制决策边界，随机梯度上升，处理数据中的缺失值的方法，模型预测；
-
-
-
基于最大间隔分隔数据；
-
寻找最大间隔；
-
SMO高效优化算法：SMO算法，应用简版SMO算法处理小规模数据集；
-
-
-
基于数据集多重采样的分类器：集成方法的多种形式，bagging，boosting，Adaboost算法流程；
-
基于单层决策树构建弱分类器：构建数据集，构建单层决策树；
-
完整Adaboost实现；
-
基于Adaboost的分类；
-
在马疝病数据集上应用AdaBoost：加载数据；训练集训练Adaboost，测试集预测，观察随着分类器的个数的增加，算法的训练和测试效果；
-
非均衡分类问题：其他分类性能度量指标（正确率、召回率、ROC曲线），基于代价函数的分类器决策控制，处理非均衡问题的数据抽样方法（欠采样，过采样）；
-
-
-
用线性回归找到最佳拟合直线：回归的一般方法，最小二乘法求解回归方程，python实现线性回归；
-
局部加权线性回归：训练，测试，评估拟合效果；
-
缩减数据来理解数据：岭回归；Lasso回归，前向逐步回归；
-
权衡偏差与方差：
-
-
-
树回归：优点，缺点，一般流程；
-
将CART算法用于回归：加载数据，查看数据分布，二元切分法，构建数据集切分函数，构建回归树，查看切分后数据集分布，测试其他数据集；
-
树剪枝：预剪枝，后剪枝；
-
模型树：分段线性数据集，模型树的叶节点生成函数，生成模型树，绘制数据集划分边界，使用模型树对新数据集进行预测；
-
-
-
K-means算法：工作流程，伪代码，一般流程，加载数据，构建k-means支持函数，构建k-means算法，查看簇分布；
-
使用后处理提升聚类性能：如何才能直到生成的簇比较好？k选择多少才合适？
-
二分k-means算法：加载数据，构建二分k-means算法，查看树分布；
-
-
-
关联分析：频繁项集，关联规则，支持度，可信度或置信度；
-
Apriori原理：一般过程，Apriori原理；
-
使用 Apriori 算法来发现频繁项集：生成候选项集，组织完整的Apriori算法；
-
从频繁项集中挖掘关联规则：可信度，一个频繁项集可以产生多少条关联规则，生成关联规则，示例：发现毒蘑菇的相似特征；
-
《机器学习实战》笔记十一：使用 FP-growth 算法来高效发现频繁项集
-
-
FP树用于编码数据集的有效方式：FP树，FP树示例说明，FP-growth 算法工作流程，FP-growth 一般流程；
-
构建FP树：FP树类的定义，构建FP树；
-
从一棵FP树中挖掘频繁项集：抽取条件模式基，创建条件 FP 树；
-
-
-
降维技术：主成分分析，因子分析，独立成分分析；
-
PCA：移动坐标系，在 numpy 中实现 PCA（数据准备，PCA 算法），示例：利用 PCA 对半导体制造数据降维（加载数据，使用 PCA 对数据降维，分析特征值结果，绘制总方差的百分比）；
-
-
-
SVD的应用：隐性语义索引，推荐系统；
-
矩阵分解；
-
利用 Python 实现 SVD：使用numpy直接对矩阵进行奇异值分解，在更大的数据集上进行更多的分解，使用奇异值信息重构原始矩阵；
-
基于协同过滤的推荐引擎：相似度计算，基于物品的相似度还是基于用户的相似度，推荐引擎评价；
-
示例：餐馆菜肴推荐引擎：推荐未尝过的菜肴，利用 SVD 提高推荐的效果，构建推荐引擎面临的挑战；
-
基于 SVD 的图像压缩；
-
