目录






随书资源


















第一部分理 论 基 础

第1章绪论

1.1机器学习概述

1.2机器学习应用基础

1.3机器学习应用系统

1.4机器学习发展

1.5机器学习中的观点和问题

1.6模型评价常用指标

1.7目前主流应用

1.7.1数据挖掘

1.7.2计算机视觉

1.7.3自然语言处理

1.7.4语音识别

1.7.5推荐系统

1.8运行环境搭建

1.8.1Python安装

1.8.2PyCharm安装模块文件

1.8.3Anaconda安装

1.9知识扩展

1.10习题

第二部分监督学习模型

第2章贝叶斯分类器

2.1贝叶斯分类器基本思想

2.2朴素贝叶斯分类器

2.2.1朴素贝叶斯分类器原理

2.2.2朴素贝叶斯分类器案例——垃圾邮件过滤

2.3正态贝叶斯分类器

2.3.1正态贝叶斯分类器原理

2.3.2正态贝叶斯分类器案例——训练资料分类

2.4知识扩展

2.5习题

第3章线性模型

3.1回归预测

3.2线性回归

3.2.1线性回归的基本原理

3.2.2线性回归的案例——波士顿房价预测Ⅰ

3.3逻辑回归

3.3.1逻辑回归的基本原理

3.3.2逻辑回归的损失函数

3.3.3逻辑回归的案例——泰坦尼克号乘客预测

3.4其他回归模型

3.4.1套索回归

3.4.2岭回归

3.4.3套索回归和岭回归的案例——波士顿房价预测Ⅱ

3.5知识扩展

3.6习题

第4章决策树

4.1什么是决策树

4.2构建决策树

4.2.1构建决策树的基本过程

4.2.2基尼系数

4.2.3信息熵和信息增益

4.3修剪决策树

4.3.1预剪枝

4.3.2后剪枝

4.4决策树案例——员工流失分析

4.5决策树回归问题

4.6知识扩展

4.7习题

第5章K近邻

5.1K近邻算法的基本思想

5.2K近邻算法中的距离度量

5.3选择合适的K值

5.4K近邻案例——鸢尾花分类

5.5知识扩展

5.6习题

第6章支持向量机

6.1SVM的基本原理

6.1.1线性SVM分类器

6.1.2硬间隔与软间隔

6.1.3非线性SVM分类器

6.2核函数

6.2.1核函数原理

6.2.2几种常见的核函数

6.3SVM案例——手写数字图像识别

6.4KSVM案例——人脸图像识别

6.5知识扩展

6.6习题

第7章随机森林

7.1集成学习原理

7.2算法流程

7.2.1Bagging集成算法

7.2.2Boosting集成算法

7.3随机森林算法

7.3.1随机森林原理

7.3.2随机森林案例——红酒分类

7.4知识扩展

7.5习题

第三部分无监督学习模型

第8章数据降维

8.1降维与重构算法思想

8.2PCA

8.2.1PCA算法原理

8.2.2PCA算法案例——图像降维和重建

8.3随机近邻嵌入

8.3.1随机近邻嵌入算法原理

8.3.2随机近邻嵌入案例——手写数字图像降维

8.4知识扩展

8.5习题

第9章K均值聚类

9.1K均值聚类基本思想

9.2K均值聚类算法流程

9.3K均值聚类案例——图像的分割和压缩

9.4知识扩展

9.5习题

第四部分神经网络与深度学习

第10章神经网络

10.1神经网络基本思想

10.2反向传播算法

10.2.1反向传播算法原理

10.2.2反向传播算法案例——手写数字图像预测

10.3知识扩展

10.4习题

第11章自编码器图像降噪

11.1图像噪声的处理办法

11.2卷积自编码器图像降噪

11.2.1卷积自编码器原理简述

11.2.2卷积自编码器降噪原理

11.2.3卷积自编码器降噪案例

11.3稀疏自编码器图像降噪

11.3.1稀疏自编码器原理简介

11.3.2稀疏自编码器图像降噪案例

11.4知识扩展

11.5习题

第12章几种深度学习网络

12.1开启深度学习之旅

12.2卷积神经网络

12.2.1卷积神经网络原理简介

12.2.2深度卷积神经网络案例——图像目标检测

12.3循环神经网络

12.3.1循环神经网络原理简介

12.3.2循环神经网络的几种实现

12.3.3循环神经网络案例——航空旅客数量预测

12.4生成对抗网络

12.4.1生成对抗网络原理简述

12.4.2生成对抗网络案例——提高图像分辨率

12.5概率图模型

12.5.1概率图模型简述

12.5.2高斯混合模型概述

12.5.3高斯混合模型案例——图像分割

12.6知识扩展

12.7习题


参考文献