目录




资源下载











第1章机器学习概述

1.1什么是机器学习

1.2机器学习简史

1.2.1萌芽期

1.2.2发展期

1.2.3蓬勃期

1.3机器学习、人工智能、深度学习的关系 

1.4机器学习的相关概念 

1.5机器学习的任务 

1.5.1监督学习

1.5.2无监督学习

1.5.3半监督学习

1.5.4强化学习 

1.6机器学习的一般步骤

1.7本章小结

1.8习题

第2章机器学习基础及Python常用库

2.1机器学习的Python基础与开发环境

2.1.1Python开发环境简介

2.1.2Python的基本语法

2.1.3Python列表、元组、字典、集合

2.1.4函数与类

2.1.5NumPy中的array

2.1.6Pandas中的DataFrame

2.1.7数据可视化

2.1.8scikitlearn机器学习库

2.2机器学习基础 

2.2.1张量

2.2.2梯度下降

2.2.3评估方法

2.2.4常用数据集

2.3本章小结

2.4习题



Python机器学习项目化教程（微课视频版)
目录



第3章朴素贝叶斯分类器

3.1贝叶斯分类器的理论基础 

3.1.1贝叶斯定理的相关概念

3.1.2贝叶斯决策理论

3.1.3极大似然估计

3.2朴素贝叶斯分类器的原理与设计 

3.2.1了解数据集

3.2.2手工设计贝叶斯分类器

3.2.3贝叶斯分类器的Python实现

3.2.4平滑方法

3.3朴素贝叶斯分类算法的实现——鲈鱼和三文鱼的分类系统 

3.3.1算法实现

3.3.2调用系统函数实现

3.4正态贝叶斯分类器

3.5贝叶斯网络

3.6本章小结

3.7习题

第4章k近邻算法与非参数估计

4.1k近邻算法的原理 

4.2k近邻算法的应用——鸢尾花的分类

4.3非参数估计 

4.3.1参数估计与非参数估计

4.3.2非参数估计方法

4.3.3非参数估计的一般推导

4.4非参数估计算法的实现

4.4.1利用直方图估计概率密度、分类

4.4.2利用Parzen矩形窗估计概率密度、分类

4.4.3利用Parzen正态核估计概率密度、分类

4.5本章小结

4.6习题

第5章聚类

5.1聚类算法简介

5.1.1聚类算法的分类

5.1.2距离度量的方法

5.2Kmeans聚类 

5.2.1Kmeans聚类算法的思想

5.2.2通过调用库函数实现聚类

5.3基于密度的聚类——DBSCAN聚类 

5.3.1DBSCAN算法的原理及相关概念

5.3.2DBSCAN聚类算法

5.4基于层次的聚类——AGNES聚类

5.4.1AGNES聚类算法的思想

5.4.2AGNES算法的实现

5.5高斯混合聚类

5.5.1概率密度函数

5.5.2高斯混合聚类算法的推导过程

5.5.3高斯混合聚类算法思想

5.5.4高斯混合聚类应用举例

5.6各种聚类算法的比较

5.7本章小结

5.8习题


第6章回归分析

6.1回归分析概述

6.2线性回归 

6.2.1单变量线性回归

6.2.2多变量回归分析

6.2.3多项式回归分析

6.3逻辑回归 

6.3.1sigmoid函数与逻辑回归模型

6.3.2梯度下降与推导过程

6.3.3参数学习向量化

6.3.4逻辑回归的Python实现——乳腺良性与恶性肿瘤的预测

6.4本章小结

6.5习题

第7章决策树

7.1决策树构造的基本原理 

7.2决策树构造的过程

7.3决策树学习算法的思想及实现

7.4决策树算法实现——泰坦尼克号幸存者预测

7.5本章小结

7.6习题

第8章支持向量机

8.1SVM简介 

8.1.1线性可分与感知机

8.1.2间隔最大化及线性SVM

8.2线性SVM算法的实现

8.3非线性SVM与核函数

8.3.1线性不可分

8.3.2对偶问题与核函数

8.3.3非线性SVM算法的实现

8.4SVM回归

8.5SVM算法的实现——鸢尾花的分类

8.5.1sklearn中的SVC参数介绍

8.5.2使用SVC对鸢尾花数据进行分类

8.6本章小结

8.7习题


第9章降维分析

9.1PCA 

9.1.1PCA算法的思想

9.1.2PCA算法的推导过程

9.1.3PCA算法的实现

9.2奇异值分解 

9.2.1特征值分解

9.2.2SVD定义及性质

9.2.3PCA与SVD 

9.2.4SVD算法的实现及应用

9.3本章小结

9.4习题

第10章人工神经网络

10.1感知机 

10.2神经网络模型

10.3BP神经网络算法的思想及实现

10.3.1BP神经算法模型参数的学习过程

10.3.2BP神经网络算法的实现

10.4BP神经网络算法的实现——鸢尾花分类

10.5本章小结

10.6习题

第11章深度学习入门

11.1深度学习概述 

11.1.1什么是深度学习

11.1.2为什么要进行深度学习

11.1.3深度学习与机器学习的区别

11.2卷积神经网络 

11.2.1CNN模型结构

11.2.2卷积

11.2.3池化

11.2.4构建CNN网络模型

11.3循环神经网络

11.3.1循环神经网络的基本结构

11.3.2LSTM网络

11.3.3简单的RNN与LSTM算法实现

11.4本章小结

11.5习题


第12章推荐算法

12.1推荐系统简介 

12.1.1信息检索与推荐系统

12.1.2推荐系统的发展历史

12.1.3推荐系统的原理与分类

12.1.4推荐系统的评估方法

12.2基于最近邻的协同过滤推荐算法 

12.2.1基于近邻用户的协同过滤推荐

12.2.2基于近邻项目的协同过滤推荐

12.2.3算法实现

12.3基于隐语义分析的推荐模型

12.4基于标签的推荐算法

12.5本章小结

12.6习题

第13章综合案例分析： 基于协同过滤的推荐系统

13.1数据探索与分析 

13.2基于项目的协同过滤电影推荐系统

13.3本章小结

13.4习题

第14章综合案例分析： 零售商品销售额分析与预测

14.1问题描述与分析 

14.2数据探索与预处理

14.2.1数据探索

14.2.2属性特征的数值化

14.2.3缺失值处理

14.3特征选择

14.4建立回归模型

14.4.1线性回归模型

14.4.2岭回归模型

14.4.3Lasso回归模型

14.4.4多项式回归模型

14.4.5随机森林回归模型

14.5超参数选择

14.6本章小结

14.7习题


第15章综合案例分析： 手写数字识别

15.1图像的存储表示 

15.2数据预处理

15.2.1将图像转换为文本

15.2.2将矩阵转换为向量

15.3基于kNN的手写数字识别

15.3.1划分训练集和测试集

15.3.2kNN分类模型

15.3.3kNN分类模型评估

15.4基于神经网络的手写数字识别

15.4.1定义神经网络模型

15.4.2主函数

15.5本章小结

15.6习题

第16章综合案例分析： 基于深度学习的中文邮件分类

16.1文本预处理 

16.1.1中文分词

16.1.2文本向量化

16.2中文邮件分类算法及实现

16.3本章小结

16.4习题

参考文献