Summary Introduction 第一部分 分类 1.) 机器学习基础 2.) k-近邻算法 3.) 决策树 4.) 基于概率论的分类方法：朴素贝叶斯 5.) Logistic回归 6.) 支持向量机 7.) 集成方法-随机森林和AdaBoost 第二部分 利用回归预测数值型数据 8.) 预测数值型数据：回归 9.) 树回归 第三部分 无监督学习 10.) 使用K-均值聚类算法对未标注数据分组:k-means聚类 11.) 使用Apriori算法进行关联分析 12.) 使用FP-growth算法来高效发现频繁项集 第四部分 其他工具 13.) 利用PCA来简化数据 14.) 利用SVD简化数据 15.) 大数据与MapReduce 第五部分 项目实战(非课本内容) 16.) 推荐系统