机器学习算法入门与编程实践(基于Python·微课视频版)电子书

作者介绍

前言

第1章 机器学习概述

1.1 机器学习的概念和步骤

1.1.1 机器学习的一般过程

1.1.2 机器学习的定义

1.1.3 机器学习的过程举例

1.1.4 评估机器学习模型的效果

1.2 机器学习的预处理环节

1.2.1 收集相关样本

1.2.2 数据预处理

1.2.3 数据标准化

1.2.4 数据降维

1.3 机器学习的类型

1.3.1 按完成的任务分类

1.3.2 按学习的过程分类

1.4 机器学习的发展历史和应用领域

1.4.1 机器学习的发展历史

1.4.2 机器学习的应用领域

1.5 习题

第2章 Python机器学习与可视化

2.1 Python程序入门

2.1.1 一些简单的Python程序

2.1.2 序列数据结构

2.1.3 序列处理函数

2.1.4 函数和类

2.2 Python数据分析工具

2.2.1 Anaconda的使用

2.2.2 Spyder集成开发环境

2.2.3 NumPy库

2.3 数据可视化—基于Matplotlib库

2.3.1 绘制曲线图

2.3.2 绘制散点图等其他图形

2.4 SciPy库

2.5 sklearn库

2.5.1 样本及样本的划分

2.5.2 导入或创建数据集

2.5.3 数据预处理

2.5.4 数据的降维

2.5.5 调用机器学习模型

2.6 习题

第3章 关联规则与推荐算法

3.1 关联规则挖掘

3.1.1 基本概念

3.1.2 Apriori算法

3.1.3 Apriori算法的程序实现

3.1.4 FP-Growth算法

3.2 推荐系统及算法

3.2.1 协同过滤推荐算法

3.2.2 协同过滤推荐算法应用实例

3.3 利用协同过滤推荐算法实现电影节目推荐

3.4 习题

第4章 聚类

4.1 聚类的原理与实现

4.1.1 聚类的概念和类型

4.1.2 如何度量距离

4.1.3 聚类的基本步骤

4.2 层次聚类算法

4.2.1 层次聚类法举例

4.2.2 层次聚类法的sklearn实现

4.3 K-means聚类算法

4.3.1 K-means聚类算法的原理和实例

4.3.2 K-means聚类算法的k值的确定

4.3.3 K-means聚类算法的sklearn实现

4.4 K-medoids聚类算法

4.4.1 K-medoids聚类算法的原理和实例

4.4.2 K-medoids聚类算法的sklearn实现

4.5 DBSCAN聚类算法

4.5.1 DBSCAN聚类算法的原理和实例

4.5.2 DBSCAN聚类算法的sklearn实现

4.6 利用聚类算法实现车牌识别

4.7 习题

第5章 分类

5.1 分类的基本原理

5.1.1 分类与聚类的区别

5.1.2 分类的步骤

5.1.3 分类模型预测结果评估

5.1.4 sklearn库的常用分类算法

5.2 K-近邻算法

5.2.1 K-近邻算法的原理和实例

5.2.2 sklearn中分类模型的编程步骤

5.2.3 K-近邻算法的sklearn实现

5.2.4 绘制分类边界图

5.2.5 确定最优的k值

5.3 朴素贝叶斯分类算法

5.3.1 朴素贝叶斯的原理与实例

5.3.2 朴素贝叶斯分类的常见问题

5.3.3 朴素贝叶斯分类算法的sklearn实现

5.4 决策树分类算法

5.4.1 信息论基础

5.4.2 ID3算法

5.4.3 C4.5算法

5.4.4 CART算法

5.4.5 决策树分类算法的sklearn实现

5.5 随机森林分类算法

5.5.1 集成学习理论

5.5.2 随机森林分类算法的理论与实例

5.5.3 随机森林分类算法的sklearn实现

5.6 利用运动手环数据预测身体姿态

5.7 习题

第6章 回归与逻辑回归

6.1 线性回归

6.1.1 相关与回归

6.1.2 线性回归分析

6.1.3 线性回归方程参数的求法

6.1.4 线性回归模型的sklearn实现

6.2 逻辑回归

6.2.1 线性分类模型的原理

6.2.2 逻辑回归模型及实例

6.3 逻辑回归模型的sklearn实现

6.3.1 sklearn中的逻辑回归模型

6.3.2 利用逻辑回归模型预测是否录取学生

6.4 利用逻辑回归模型预测贷款违约行为

6.5 习题

第7章 人工神经网络

7.1 神经元与感知机

7.1.1 人工神经元与逻辑回归模型

7.1.2 感知机模型

7.1.3 感知机模型的Python实现

7.1.4 多层感知机模型

7.2 人工神经网络的核心要素

7.2.1 神经元的激活函数

7.2.2 损失函数

7.2.3 网络结构

7.2.4 反向传播

7.3 人工神经网络的sklearn实现

7.3.1 sklearn人工神经网络模块

7.3.2 利用人工神经网络预测二手房销售数据

7.4 深度学习与深度神经网络

7.4.1 深度学习的概念和原理

7.4.2 TensorFlow概述

7.4.3 卷积神经网络

7.5 利用神经网络进行手写数字识别

7.6 习题

第8章 支持向量机

8.1 支持向量机的理论基础

8.1.1 支持向量的超平面

8.1.2 SVM间隔及损失函数

8.1.3 非线性SVM与核函数

8.1.4 支持向量机分类的步骤

8.2 支持向量机的sklearn实现

8.2.1 绘制决策边界

8.2.2 绘制SVM的分类界面

8.2.3 支持向量机参数对性能的影响

8.3 利用支持向量机实现人脸识别

8.4 习题

参考文献