李轩涯，单位：百度公司，职务、职称：高级工程师，性别：男，年龄：33，专业：计算机科学与技术，学历：博士，研究成果：中国计算机学会杰出会员、常务理事，中国计算机实践教育联合会副理事长。现主管百度校企合作、校企联合人才培养、校园粉丝生态圈，帮助百度技术、人才及产品品牌在高校领域的推广与影响力传播。

第1章  防止过拟合
 1.1  过拟合和欠拟合的背后
 1.2  性能度量和损失函数
 1.3  假设空间和VC维
 1.4  偏差方差分解的意义
 1.5  正则化和参数绑定
 1.6  使用scikit-learn
第2章  特征选择
 2.1  包裹法Warpper
 2.2  过滤法Filter
 2.3  嵌入法Embedded
 2.4  使用scikit-learn
第3章  回归算法中的贝叶斯
 3.1  快速理解判别式模型和生成式模型
 3.2  极大似然估计和平方损失
 3.3  最大后验估计和正则化
 3.4  贝叶斯线性估计
 3.5  使用scikit-learn
第4章  分类算法中的贝叶斯
 4.1  广义线性模型下的sigmoid函数和softmax函数
 4.2  对数损失和交叉熵
 4.3  逻辑回归的多项式拓展和正则化
 4.4  朴素贝叶斯分类器
 4.5  拉普拉斯平滑和连续特征取值的处理方法
 4.6  使用scikit-learn
第5章  非参数模型
 5.1  K近邻与距离度量
 5.2  K近邻与kd树
 5.3  决策树和条件嫡
 5.4  决策树的剪枝
 5.5  连续特征取值的处理方法和基尼指数
 5.6  回归树
 5.7  使用scikit-learn
第6章  核方法
 6.1  核方法的本质
 6.2  对偶表示和拉格朗日乘子法
 6.3  常见算法的核化拓展
 6.4  高斯过程
 6.5  使用scikit-learn
第7章  混合高斯：比高斯分布更强大
 7.1  聚类的重要问题
 7.2  潜变量与K均值
 7.3  混合高斯和极大似然估计的失效
 7.4  EM算法的核心步骤
 7.5  使用scikit-learn
第8章  模型组合策略
 8.1  Bagging和随机森林
 8.2  Boosting的基本框架
 8.3  Adaboost
 8.4  GBDT和XGBoost
 8.5  使用scikit-learn
第9章  核化降维和学习流形
 9.1  线性降维
 9.2  核化线性降维
 9.3  流形学习
 9.4  使用scikit-learn
第10章  处理时间序列
 10.1  概率图模型和隐变量
 10.2  高阶马尔可夫模型
 10.3  隐马尔可夫模型
 10.4  隐马尔可夫模型的EM算法
 10.5  使用scikit-learn
参考文献