为你推荐
封面页
书名页
版权页
作者简介
内容简介
推荐序一
推荐序二
前言
目录
第1章 机器学习概述
1.1 什么是机器学习
1.2 机器学习的流程
1.2.1 数据收集
1.2.2 数据预处理
1.2.3 特征工程
1.2.4 模型构建和训练
1.3 机器学习该如何学
1.3.1 AI时代首选Python
1.3.2 PyCharm可视化编辑器和Anaconda大礼包
1.3.3 掌握算法原理与掌握机器学习软件库同等重要
1.3.4 机器学习与深度学习的区别
1.4 机器学习分类
1.4.1 监督学习
1.4.2 无监督学习
1.4.3 强化学习
1.5 过拟合和欠拟合
1.5.1 过拟合
1.5.2 欠拟合
1.6 衡量机器学习模型的指标
1.6.1 正确率、精确率和召回率
1.6.2 F1 score和ROC曲线
第2章 机器学习中的数据预处理
2.1 数据预处理的重要性和原则
2.2 数据预处理方法介绍
2.2.1 数据预处理案例——标准化、归一化、二值化
2.2.2 数据预处理案例——缺失值补全、标签化
2.2.3 数据预处理案例——独热编码
2.2.4 通过数据预处理提高模型准确率
2.3 数据降维
2.3.1 什么叫数据降维
2.3.2 PCA主成分分析原理
2.3.3 PCA主成分分析实战案例
第3章 k最近邻算法
3.1 k最近邻算法的原理
3.2 k最近邻算法过程详解
3.3 kNN算法的注意事项
3.3.1 k近邻的k值该如何选取
3.3.2 距离的度量
3.3.3 特征归一化的必要性
3.4 k最近邻算法案例分享
3.4.1 电影分类kNN算法实战
3.4.2 使用scikit-learn机器学习库内置的kNN算法实现水果识别器
3.5 kNN算法优缺点
第4章 回归算法
4.1 线性回归
4.1.1 什么是线性回归
4.1.2 最小二乘法
4.1.3 梯度下降法
4.2 线性回归案例实战
4.2.1 房价预测线性回归模型案例一
4.2.2 房价预测线性回归模型案例二
4.3 逻辑回归
4.3.1 逻辑回归概念和原理
4.3.2 逻辑回归案例实战
4.4 回归算法总结和优缺点
第5章 决策树
5.1 决策树概念
5.2 信息熵
5.3 信息增益与信息增益比
5.4 基尼系数
5.5 过拟合与剪枝
5.6 决策树算法案例实战——预测患者佩戴隐形眼镜类型
5.7 决策树算法实战案例——电影喜好预测
5.8 总结
第6章 K-means聚类算法
6.1 何为聚类
6.2 K-means算法思想和原理
6.3 K-means算法涉及的参数和优缺点
6.3.1 K-means涉及参数
6.3.2 K-means优缺点
6.4 K-means应用场景
6.5 K-means聚类算法实现鸢尾花数据的聚类
6.6 K-means算法实现客户价值分析
6.7 K-means算法实现对亚洲足球队做聚类
第7章 随机森林
7.1 随机森林概述
7.1.1 什么是随机森林
7.1.2 随机森林的优缺点
7.2 随机森林实战——红酒数据集案例
7.3 随机森林算法实战——泰坦尼克号生存预测
第8章 朴素贝叶斯算法
8.1 朴素贝叶斯算法概念和原理
8.2 贝叶斯算法实战案例——曲奇饼
8.3 贝叶斯算法案例实战——单词拼写纠错
8.4 贝叶斯算法案例实战——识别中文垃圾邮件
8.5 贝叶斯算法案例实战——鸢尾花分类预测
第9章 支持向量机SVM
9.1 支持向量机概述
9.2 工作原理
9.2.1 线性分类
9.2.2 线性不可分
9.2.3 核函数
9.3 SVM的核函数选择和参数的调整
9.4 SVM算法案例实战——波士顿房价分析
9.5 SVM算法案例实战——鸢尾花分类
9.6 SVM算法优缺点
第10章 神经网络
10.1 神经网络概念
10.1.1 神经元
10.1.2 激活函数
10.1.3 神经网络
10.2 卷积神经网络（CNN）
10.2.1 计算机识别图像的过程
10.2.2 卷积神经网络详解
10.3 用Python实现自己的神经网络案例
10.4 多层神经网络基于sklearn的实现案例
10.5 使用Keras框架实现神经网络案例
10.5.1 Keras深度学习框架简介和安装
10.5.2 Keras实现多层感知器模型MLP
10.5.3 Keras实现卷积神经网络CNN
第11章 人脸识别入门实践
11.1 人脸识别简介
11.1.1 什么是人脸识别
11.1.2 人脸识别过程步骤
11.2 人脸检测和关键点定位实战
11.3 人脸表情分析——情绪识别实战
11.4 我能认识你——人脸识别实战
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
