目录 源码下载 第一部分机器学习概念篇 第1章机器学习基础 1.1机器学习概述 1.1.1机器学习概念 1.1.2机器学习的发展史 1.1.3机器学习的用途 1.1.4机器学习、数据挖掘及人工智能的关系 1.2机器学习的基本术语 1.3机器学习的任务及算法分类 1.4如何学习和运用机器学习 1.4.1软件平台的选择 1.4.2机器学习应用的实现流程 1.5数据预处理 1.5.1数据选取 1.5.2数据清理 1.5.3数据集成 1.5.4数据变换 1.5.5数据归约 本章参考文献 第二部分Python机器学习基础篇 第2章Python基础入门 2.1Python的安装方法 2.2Python学习工具介绍 2.2.1PyCharm的安装 2.2.2PyCharm界面介绍 2.2.3PyCharm例程的运行 2.3Python语法介绍 2.3.1语法的基本注意事项 2.3.2运算符 2.3.3基本语句 2.4Python基本绘图 2.4.1建立空白图 2.4.2散点图 2.4.3函数图 2.4.4扇形图 2.4.5柱状图 2.4.6三维散点 2.4.7三维曲线 2.4.8三维曲面 本章参考文献 第3章Python机器学习工具箱 3.1机器学习的利器——scikitlearn 3.1.1scikitlearn的基础知识 3.1.2scikitlearn的安装 3.1.3基本功能的介绍 3.2强化学习的利器——OpenAI Gym 本章参考文献 第三部分机器学习算法与Python实践篇 第4章k近邻算法 4.1k近邻算法的原理 4.1.1k近邻算法的实例解释 4.1.2k近邻算法的特点 4.2基于k近邻算法的算法改进 4.2.1快速KNN算法 4.2.2kd树KNN算法 4.3k近邻算法的Python实践 本章参考文献 第5章决策树 5.1决策树算法概述 5.1.1决策树算法的基本原理 5.1.2决策树算法的特点 5.1.3决策树剪枝 5.1.4分类决策树与回归决策树 5.2基于决策树算法的算法改进 5.2.1ID3决策树 5.2.2C4.5决策树 5.2.3分类回归树 5.2.4随机森林 5.3决策树算法的Python实现 本章参考文献 第6章支持向量机 6.1支持向量机算法概述 6.1.1支持向量机概述 6.1.2支持向量机算法及推导 6.1.3支持向量机的核函数 6.2改进的支持向量机算法 6.3支持向量机算法的Python实践 本章参考文献 第7章朴素贝叶斯 7.1贝叶斯定理 7.2朴素贝叶斯分类算法 7.3朴素贝叶斯实例分析 7.4朴素贝叶斯分类算法的改进 7.4.1半朴素贝叶斯分类模型 7.4.2树增强朴素贝叶斯分类模型 7.4.3贝叶斯网络 7.4.4朴素贝叶斯树 7.4.5属性加权朴素贝叶斯分类算法 7.5朴素贝叶斯算法的Python实践 本章参考文献 第8章线性回归 8.1线性回归的原理 8.1.1简单线性回归 8.1.2线性回归实例 8.2多元线性回归 8.3线性回归算法的Python实践 本章参考文献 第9章逻辑回归 9.1逻辑回归的原理 9.1.1Sigmoid函数 9.1.2梯度下降法 9.2逻辑回归及公式推导 9.2.1公式推导 9.2.2向量化 9.2.3算法的步骤 9.2.4逻辑回归的优缺点 9.3逻辑回归算法的改进 9.3.1逻辑回归的正则化 9.3.2主成分改进的逻辑回归方法 9.4逻辑回归的Python实践 本章参考文献 第10章神经网络 10.1神经网络算法概述 10.1.1神经网络的工作原理 10.1.2神经网络的特点 10.1.3人工神经元模型 10.2前向神经网络 10.2.1感知器 10.2.2BP算法 10.3基于神经网络的算法扩展 10.3.1深度学习 10.3.2极限学习机 10.4神经网络的Python实践 本章参考文献 第11章AdaBoost算法 11.1集成学习方法简介 11.1.1集成学习方法的分类 11.1.2集成学习之Boosting算法 11.2AdaBoost算法概述 11.2.1AdaBoost算法的思想 11.2.2AdaBoost算法的理论推导 11.2.3AdaBoost算法的步骤 11.2.4AdaBoost算法的特点 11.2.5通过实例理解AdaBoost算法 11.3AdaBoost算法的改进 11.3.1Real AdaBoost算法 11.3.2Gentle AdaBoost算法 11.3.3LogitBoost算法 11.4AdaBoost算法的Python实践 本章参考文献 第12章k均值算法 12.1k均值算法概述 12.1.1k均值算法的基本原理 12.1.2k均值算法的实现步骤 12.1.3k均值算法的实例 12.1.4k均值算法的特点 12.2基于k均值算法的改进 12.2.1改进k值选取方式的k均值改进算法 12.2.2改进初始聚类中心选择方式的k均值改进算法 12.3k均值算法的Python实践 本章参考文献 第13章期望最大化算法 13.1EM算法 13.1.1EM算法的思想 13.1.2似然函数和极大似然估计 13.1.3Jensen不等式 13.1.4EM算法的理论和公式推导 13.1.5EM算法的收敛速度 13.1.6EM算法的特点 13.2EM算法的改进 13.2.1Monte Carlo EM算法 13.2.2ECM算法 13.2.3ECME算法 13.3EM算法的Python实践 本章参考文献 第14章k中心点算法 14.1经典k中心点算法——PAM算法 14.1.1PAM算法的原理 14.1.2PAM算法的实例 14.1.3PAM算法的特点 14.2k中心点算法的改进 14.3k中心点算法的Python实践 本章参考文献 第15章关联规则挖掘的Apriori算法 15.1关联规则概述 15.1.1关联规则的基本概念 15.1.2关联规则的分类 15.2Apriori算法的原理 15.3Apriori算法的改进 15.3.1基于分片的并行方法 15.3.2基于hash的方法 15.3.3基于采样的方法 15.3.4减少交易个数的方法 15.4Apriori算法的Python实践 本章参考文献 第16章高斯混合模型算法 16.1高斯混合模型的原理 16.1.1单高斯模型 16.1.2高斯混合模型 16.1.3模型的建立 16.1.4模型参数的求解 16.2高斯混合模型算法的Python实践 本章参考文献 第17章DBSCAN算法 17.1DBSCAN算法概述 17.1.1DBSCAN算法的基本概念 17.1.2DBSCAN算法的原理 17.1.3DBSCAN算法的实现步骤 17.1.4DBSCAN算法的优缺点 17.2DBSCAN算法的改进 17.2.1DPDGA算法 17.2.2并行DBSCAN算法 17.3DBSCAN算法的Python实践 本章参考文献 第18章策略迭代和值迭代 18.1基本概念 18.1.1强化学习的基本模型 18.1.2马尔可夫决策过程 18.1.3策略 18.1.4值函数 18.1.5贝尔曼方程 18.2策略迭代算法的原理 18.3值迭代算法的原理 18.4策略迭代和值迭代算法的Python实践 18.4.1FrozenLake问题 18.4.2OpenAI Gym库的介绍 18.4.3FrozenLake环境的实现过程 18.4.4策略迭代算法的实现 18.4.5值迭代算法的实现 本章参考文献 第19章SARSA算法和Q学习算法 19.1SARSA算法的原理 19.2SARSA算法的Python实践 19.2.1迷宫问题 19.2.2SARSA算法的实现 19.3Q学习算法的原理 19.4Q学习算法的Python实践 本章参考文献