第一部分：入門篇

第 1 章 機器學習預備知識



第二部分：監督學習單模型

第 2 章 線性迴歸

第 3 章 邏輯迴歸

第 4 章 迴歸模型擴展

第 5 章 線性判別分析

第 6 章 k 近鄰演算法

第 7 章 決策樹

第 8 章 神經網路

第 9 章 支援向量機



第三部分：監督學習整合模型

第 10 章 AdaBoost

第 11 章 GBDT

第 12 章 XGBoost

第 13 章 LightGBM

第 14 章 CatBoost

第 15 章 隨機森林

第 16 章 整合學習：對比與調參



第四部分：無監督學習模型

第 17 章 聚類分析與 k 均值聚類演算法

第 18 章 主成分分析

第 19 章 奇異值分解



第五部分：機率模型

第 20 章 最大訊息熵模型

第 21 章 貝氏機率模型

第 22 章 EM 演算法

第 23 章 隱馬可夫模型

第 24 章 條件隨機場

第 25 章 馬可夫鏈蒙地卡羅方法



第六部分：總結

第 26 章 機器學習模型總結



參考文獻



?