Python機器學習實踐

第1章 機器學習基礎
1.1 機器學習概述
1.1.1 什麼是機器學習
1.1.2 機器學習發展史
1.1.3 機器學習、人工智慧、深度學習的關係
1.2 機器學習相關概念
1.3 機器學習的任務
1.3.1 監督學習
1.3.2 無監督學習
1.3.3 半監督學習
1.4 機器學習的一般步驟
1.5 機器學習Python基礎
1.5.1 Python開發環境
1.5.2 Python基本語法
1.5.3 Python清單、元組、字典、集合
1.6 本章小結
1.7 習題

第2章 k近鄰算法
2.1 k近鄰算法原理
2.1.1 非參數估計與參數估計
2.1.2 非參數估計的一般推導
2.2 基於k近鄰算法的實現
2.2.1 利用長條圖估計概率密度、分類
2.2.2 利用Parzen矩形窗估計概率密度、分類
2.2.3 利用Parzen正態核估計概率密度、分類
2.3 k近鄰算法應用——鳶尾花的分類
2.4 本章小結
2.5 習題

第3章 貝葉斯分類器
3.1 貝葉斯定理相關概念
3.1.1 先驗概率、條件概率、後驗概率與類條件概率
3.1.2 貝葉斯決策理論
3.1.3 極大似然估計
3.2 樸素貝葉斯分類器
3.2.1 手工設計貝葉斯分類器
3.2.2 貝葉斯分類器的實現
3.2.3 平滑方法
3.3 樸素貝葉斯分類算法實現——三文魚和鱸魚的分類
3.3.1 算法實現
3.3.2 調用系統函數實現
3.4 正態貝葉斯分類器
3.5 本章小結
3.6 習題

第4章 聚類
4.1 聚類算法簡介
4.1.1 聚類算法分類
4.1.2 距離度量方法
4.2 K-means聚類
4.3 基於密度的聚類——DBSCAN聚類
4.3.1 DBSCAN算法原理及相關概念
4.3.2 DBSCAN聚類算法
4.4 基於層次的聚類——AGNES聚類
4.4.1 AGNES聚類算法思想
4.4.2 AGNES算法實現
4.5 聚類應用舉例
4.6 各種聚類算法的比較
4.7 本章小結
4.8 習題

第5章 EM算法
5.1 EM算法原理及推導過程
5.1.1 EM算法思想
5.1.2 EM算法推導過程
5.2 高斯混合聚類
5.2.1 概率密度函數
5.2.2 高斯混合聚類算法推導過程
5.2.3 高斯混合聚類算法思想
5.2.4 高斯混合聚類應用舉例
5.3 服從0-1二項分佈的EM算法
5.3.1 服從0-1二項分佈的EM算法思想
5.3.2 服從0-1二項分佈的EM算法過程類比
5.3.3 服從0-1二項分佈的EM算法實現
5.4 本章小結
5.5 習題

第6章 支持向量機
6.1 SVM簡介
6.1.1 線性可分與感知機
6.1.2 間隔 化及線性SVM
6.2 線性SVM算法實現
6.3 非線性SVM與核函數
6.3.1 線性不可分
6.3.2 對偶問題與核函數
6.3.3 非線性SVM算法實現
6.4 SVM回歸
6.5 SVM算法實現——鳶尾花的分類
6.5.1 sklearn中的SVC參數介紹
6.5.2 使用SVC對鳶尾花數據進行分類
6.6 本章小結
6.7 習題

第7章 決策樹
7.1 決策樹構造基本原理
7.2 決策樹構造過程
7.3 決策樹學習算法思想及實現
7.4 決策樹算法實現——泰坦尼克號倖存者預測
7.5 本章小結
7.6 習題

第8章 線性回歸
8.1 回歸分析概述
8.2 單變數線性回歸
8.2.1 梯度下降法求解線性回歸原理與實現
8.2.2 牛頓法求解線性回歸原理與實現
8.3 多變數回歸分析
8.3.1 多變數回歸分析原理
8.3.2 多變數線性回歸算法實現
8.4 多項式回歸分析
8.5 本章小結
8.6 習題

第9章 邏輯回歸
9.1 sigmoid函數與邏輯回歸模型
9.2 梯度下降與推導過程
9.3 參數學習向量化
9.4 邏輯回歸的Python實現——乳腺良性與惡性腫瘤的預測
9.5 評估方法
9.6 本章小結
9.7 習題

第10章 人工神經網路
10.1 從感知機到多層感知機
10.2 神經網路模型
10.3 BP神經網路算法思想及實現
10.3.1 BP神經算法模型參數學習過程
10.3.2 BP神經網路算法實現
10.4 BP神經網路算法實現——鳶尾花分類
10.5 本章小結
10.6 習題

第11章 綜合案例分析：垃圾郵件分類
11.1 文本預處理
11.1.1 中文分詞
11.1.2 文本向量化
11.2 中文垃圾郵件分類算法及實現
11.3 本章小結
11.4 習題

第12章 綜合案例分析：手寫數字識別
12.1 圖像的存儲表示
12.2 數據預處理
12.2.1 將圖像轉換為文本
12.2.2 將矩陣轉換為向量
12.3 基於kNN的手寫數字識別
12.3.1 劃分訓練集和測試集
12.3.2 kNN分類模型
12.3.3 kNN分類模型評估
12.4 基於神經網路的手寫數字識別
12.4.1 定義神經網路模型
12.4.2 主函數
12.5 本章小結
12.6 習題

第13章 綜合案例分析：零售商品銷售額分析與預測
13.1 問題描述與分析
13.2 數據探索與預處理
13.2.1 數據探索
13.2.2 屬性特徵的數值