第1章機器學習概述 1.1什么是機器學習 1.2機器學習簡史 1.2.1萌芽期 1.2.2發(fā)展期 1.2.3蓬勃期 1.3機器學習、人工智能、深度學習的關系 1.4機器學習的相關概念 1.5機器學習的任務 1.5.1監(jiān)督學習 1.5.2無監(jiān)督學習 1.5.3半監(jiān)督學習 1.5.4強化學習 1.6機器學習的一般步驟 1.7本章小結 1.8習題 第2章機器學習基礎及Python常用庫 2.1機器學習的Python基礎與開發(fā)環(huán)境 2.1.1Python開發(fā)環(huán)境簡介 2.1.2Python的基本語法 2.1.3Python列表、元組、字典、集合 2.1.4函數(shù)與類 2.1.5NumPy中的array 2.1.6Pandas中的DataFrame 2.1.7數(shù)據(jù)可視化 2.1.8scikitlearn機器學習庫 2.2機器學習基礎 2.2.1張量 2.2.2梯度下降 2.2.3評估方法 2.2.4常用數(shù)據(jù)集 2.3本章小結 2.4習題 Python機器學習項目化教程（微課視頻版)
目錄 第3章樸素貝葉斯分類器 3.1貝葉斯分類器的理論基礎 3.1.1貝葉斯定理的相關概念 3.1.2貝葉斯決策理論 3.1.3極大似然估計 3.2樸素貝葉斯分類器的原理與設計 3.2.1了解數(shù)據(jù)集 3.2.2手工設計貝葉斯分類器 3.2.3貝葉斯分類器的Python實現(xiàn) 3.2.4平滑方法 3.3樸素貝葉斯分類算法的實現(xiàn)——鱸魚和三文魚的分類系統(tǒng) 3.3.1算法實現(xiàn) 3.3.2調用系統(tǒng)函數(shù)實現(xiàn) 3.4正態(tài)貝葉斯分類器 3.5貝葉斯網(wǎng)絡 3.6本章小結 3.7習題 第4章k近鄰算法與非參數(shù)估計 4.1k近鄰算法的原理 4.2k近鄰算法的應用——鳶尾花的分類 4.3非參數(shù)估計 4.3.1參數(shù)估計與非參數(shù)估計 4.3.2非參數(shù)估計方法 4.3.3非參數(shù)估計的一般推導 4.4非參數(shù)估計算法的實現(xiàn) 4.4.1利用直方圖估計概率密度、分類 4.4.2利用Parzen矩形窗估計概率密度、分類 4.4.3利用Parzen正態(tài)核估計概率密度、分類 4.5本章小結 4.6習題 第5章聚類 5.1聚類算法簡介 5.1.1聚類算法的分類 5.1.2距離度量的方法 5.2Kmeans聚類 5.2.1Kmeans聚類算法的思想 5.2.2通過調用庫函數(shù)實現(xiàn)聚類 5.3基于密度的聚類——DBSCAN聚類 5.3.1DBSCAN算法的原理及相關概念 5.3.2DBSCAN聚類算法 5.4基于層次的聚類——AGNES聚類 5.4.1AGNES聚類算法的思想 5.4.2AGNES算法的實現(xiàn) 5.5高斯混合聚類 5.5.1概率密度函數(shù) 5.5.2高斯混合聚類算法的推導過程 5.5.3高斯混合聚類算法思想 5.5.4高斯混合聚類應用舉例 5.6各種聚類算法的比較 5.7本章小結 5.8習題
第6章回歸分析 6.1回歸分析概述 6.2線性回歸 6.2.1單變量線性回歸 6.2.2多變量回歸分析 6.2.3多項式回歸分析 6.3邏輯回歸 6.3.1sigmoid函數(shù)與邏輯回歸模型 6.3.2梯度下降與推導過程 6.3.3參數(shù)學習向量化 6.3.4邏輯回歸的Python實現(xiàn)——乳腺良性與惡性腫瘤的預測 6.4本章小結 6.5習題 第7章決策樹 7.1決策樹構造的基本原理 7.2決策樹構造的過程 7.3決策樹學習算法的思想及實現(xiàn) 7.4決策樹算法實現(xiàn)——泰坦尼克號幸存者預測 7.5本章小結 7.6習題 第8章支持向量機 8.1SVM簡介 8.1.1線性可分與感知機 8.1.2間隔*大化及線性SVM 8.2線性SVM算法的實現(xiàn) 8.3非線性SVM與核函數(shù) 8.3.1線性不可分 8.3.2對偶問題與核函數(shù) 8.3.3非線性SVM算法的實現(xiàn) 8.4SVM回歸 8.5SVM算法的實現(xiàn)——鳶尾花的分類 8.5.1sklearn中的SVC參數(shù)介紹 8.5.2使用SVC對鳶尾花數(shù)據(jù)進行分類 8.6本章小結 8.7習題
第9章降維分析 9.1PCA 9.1.1PCA算法的思想 9.1.2PCA算法的推導過程 9.1.3PCA算法的實現(xiàn) 9.2奇異值分解 9.2.1特征值分解 9.2.2SVD定義及性質 9.2.3PCA與SVD 9.2.4SVD算法的實現(xiàn)及應用 9.3本章小結 9.4習題 第10章人工神經(jīng)網(wǎng)絡 10.1感知機 10.2神經(jīng)網(wǎng)絡模型 10.3BP神經(jīng)網(wǎng)絡算法的思想及實現(xiàn) 10.3.1BP神經(jīng)算法模型參數(shù)的學習過程 10.3.2BP神經(jīng)網(wǎng)絡算法的實現(xiàn) 10.4BP神經(jīng)網(wǎng)絡算法的實現(xiàn)——鳶尾花分類 10.5本章小結 10.6習題 第11章深度學習入門 11.1深度學習概述 11.1.1什么是深度學習 11.1.2為什么要進行深度學習 11.1.3深度學習與機器學習的區(qū)別 11.2卷積神經(jīng)網(wǎng)絡 11.2.1CNN模型結構 11.2.2卷積 11.2.3池化 11.2.4構建CNN網(wǎng)絡模型 11.3循環(huán)神經(jīng)網(wǎng)絡 11.3.1循環(huán)神經(jīng)網(wǎng)絡的基本結構 11.3.2LSTM網(wǎng)絡 11.3.3簡單的RNN與LSTM算法實現(xiàn) 11.4本章小結 11.5習題
第12章推薦算法 12.1推薦系統(tǒng)簡介 12.1.1信息檢索與推薦系統(tǒng) 12.1.2推薦系統(tǒng)的發(fā)展歷史 12.1.3推薦系統(tǒng)的原理與分類 12.1.4推薦系統(tǒng)的評估方法 12.2基于*近鄰的協(xié)同過濾推薦算法 12.2.1基于近鄰用戶的協(xié)同過濾推薦 12.2.2基于近鄰項目的協(xié)同過濾推薦 12.2.3算法實現(xiàn) 12.3基于隱語義分析的推薦模型 12.4基于標簽的推薦算法 12.5本章小結 12.6習題 第13章綜合案例分析： 基于協(xié)同過濾的推薦系統(tǒng) 13.1數(shù)據(jù)探索與分析 13.2基于項目的協(xié)同過濾電影推薦系統(tǒng) 13.3本章小結 13.4習題 第14章綜合案例分析： 零售商品銷售額分析與預測 14.1問題描述與分析 14.2數(shù)據(jù)探索與預處理 14.2.1數(shù)據(jù)探索 14.2.2屬性特征的數(shù)值化 14.2.3缺失值處理 14.3特征選擇 14.4建立回歸模型 14.4.1線性回歸模型 14.4.2嶺回歸模型 14.4.3Lasso回歸模型 14.4.4多項式回歸模型 14.4.5隨機森林回歸模型 14.5超參數(shù)選擇 14.6本章小結 14.7習題
第15章綜合案例分析： 手寫數(shù)字識別 15.1圖像的存儲表示 15.2數(shù)據(jù)預處理 15.2.1將圖像轉換為文本 15.2.2將矩陣轉換為向量 15.3基于kNN的手寫數(shù)字識別 15.3.1劃分訓練集和測試集 15.3.2kNN分類模型 15.3.3kNN分類模型評估 15.4基于神經(jīng)網(wǎng)絡的手寫數(shù)字識別 15.4.1定義神經(jīng)網(wǎng)絡模型 15.4.2主函數(shù) 15.5本章小結 15.6習題 第16章綜合案例分析： 基于深度學習的中文郵件分類 16.1文本預處理 16.1.1中文分詞 16.1.2文本向量化 16.2中文郵件分類算法及實現(xiàn) 16.3本章小結 16.4習題 參考文獻