機器學習算法入門與編程實踐（基於Python·微課視頻版）

《機器學習演算法入門與程式設計實踐（基於Python·微課視頻版）》對機器學習演算法的基本原理和Python程式實現進行系統的介紹，每種演算法都採用sklearn程式實現並用Matplotlib進行資料視覺化。為了幫助讀者更加高效、直觀地學習，作者為本書錄製了11個微課教學視頻，讀者可以用手機掃描書中的二維碼進行線上觀看，也可以將視頻下載後再觀看。
 
《機器學習演算法入門與程式設計實踐（基於Python·微課視頻版）》共8章，包括機器學習概述、Python機器學習與視覺化、關聯規則與推薦演算法、聚類、分類、回歸與邏輯回歸、人工神經網路、支援向量機。
 
《機器學習演算法入門與程式設計實踐（基於Python·微課視頻版）》可以作為高等院校機器學習和人工智慧概論等課程的教材，也可以作為機器學習演算法入門讀者的自學用書，還可以作為人工智慧等領域機器學習研究者和應用人員的參考書。

第1章 機器學習概述 1
1.1 機器學習的概念和步驟 1
1.1.1 機器學習的一般過程 2
1.1.2 機器學習的定義 4
1.1.3 機器學習的過程舉例 4
1.1.4 評估機器學習模型的效果 7
1.2 機器學習的預處理環節 9
1.2.1 收集相關樣本 10
1.2.2 數據預處理 10
1.2.3 數據標準化 12
1.2.4 數據降維 14
1.3 機器學習的類型 15
1.3.1 按完成的任務分類 15
1.3.2 按學習的過程分類 16
1.4 機器學習的發展歷史和應用領域 17
1.4.1 機器學習的發展歷史 17
1.4.2 機器學習的應用領域 20
1.5 習題 22
 
第2章 Python機器學習與視覺化 24
2.1 Python程式入門 24
2.1.1 一些簡單的Python程式 24
2.1.2 序列資料結構 26
2.1.3 序列處理函數 28
2.1.4 函數和類 29
2.2 Python資料分析工具 32
2.2.1 Anaconda的使用 32
2.2.2 Spyder整合式開發環境 33
2.2.3 NumPy庫 34
2.3 資料視覺化——基於Matplotlib庫 37
2.3.1 繪製曲線圖 38
2.3.2 繪製散點圖等其他圖形 43
2.4 SciPy庫 47
2.5 sklearn庫 49
2.5.1 樣本及樣本的劃分 49
2.5.2 導入或創建資料集 53
2.5.3 數據預處理 56
2.5.4 數據的降維 59
2.5.5 調用機器學習模型 61
2.6 習題 63
 
第3章 關聯規則與推薦演算法 65
3.1 關聯規則挖掘 65
3.1.1 基本概念 65
3.1.2 Apriori演算法 68
3.1.3 Apriori演算法的程式實現 72
3.1.4 FP-Growth演算法 73
3.2 推薦系統及演算法 77
3.2.1 協同過濾推薦演算法 78
3.2.2 協同過濾推薦演算法應用實例 81
3.3 利用協同過濾推薦演算法實現電影節目推薦85
3.4 習題 87
 
第4章 聚類 89
4.1 聚類的原理與實現 89
4.1.1 聚類的概念和類型 89
4.1.2 如何度量距離 89
4.1.3 聚類的基本步驟 93
4.2 層次聚類演算法 97
4.2.1 層次聚類法舉例 98
4.2.2 層次聚類法的sklearn實現 99
4.3 K-means聚類演算法 103
4.3.1 K-means聚類演算法的原理和實例 104
4.3.2 K-means聚類演算法的k值的確定 110
4.3.3 K-means聚類演算法的sklearn實現 111
4.4 K-medoids聚類演算法 112
4.4.1 K-medoids聚類演算法的原理和實例 112
4.4.2 K-medoids聚類演算法的sklearn實現 118
4.5 DBSCAN聚類演算法 119
4.5.1 DBSCAN聚類演算法的原理和實例 119
4.5.2 DBSCAN聚類演算法的sklearn實現 124
4.6 利用聚類演算法實現車牌識別 126
4.7 習題 129
 
第5章 分類 130&
5.1 分類的基本原理 130
5.1.1 分類與聚類的區別 131
5.1.2 分類的步驟 132
5.1.3 分類模型預測結果評估 134
5.1.4 sklearn庫的常用分類演算法 135
5.2 K-近鄰演算法 136
5.2.1 K-近鄰演算法的原理和實例 136
5.2.2 sklearn中分類模型的程式設計步驟 140
5.2.3 K-近鄰演算法的sklearn實現 142
5.2.4 繪製分類邊界圖 144
5.2.5 確定最優的k值 146
5.3 樸素貝葉斯分類演算法 147
5.3.1 樸素貝葉斯的原理與實例 148
5.3.2 樸素貝葉斯分類的常見問題 152
5.3.3 樸素貝葉斯分類演算法的sklearn實現 154
5.4 決策樹分類演算法 156
5.4.1 資訊理論基礎 157
5.4.2 ID3演算法 162
5.4.3 C4.5演算法 167
5.4.4 CART演算法 171
5.4.5 決策樹分類演算法的sklearn實現 173
5.5 隨機森林分類演算法 175
5.5.1 集成學習理論 175
5.5.2 隨機森林分類演算法的理論與實例 177
5.5.3 隨機森林分類演算法的sklearn實現 183
5.6 利用運動手環資料預測身體姿態 186
5.7 習題 191
 
第6章 回歸與邏輯回歸 193
6.1 線性回歸 193
6.1.1 相關與回歸 193
6.1.2 線性回歸分析 194
6.1.3 線性回歸方程參數的求法 196
6.1.4 線性回歸模型的sklearn實現 201
6.2 邏輯回歸 206
6.2.1 線性分類模型的原理 206
6.2.2 邏輯回歸模型及實例 209
6.3 邏輯回歸模型的sklearn實現 212
6.3.1 sklearn中的邏輯回歸模型 212
6.3.2 利用邏輯回歸模型預測是否錄取學生 214
6.4 利用邏輯回歸模型預測貸款違約行為 218
6.5 習題 222
 
第7章 人工神經網路 223
7.1 神經元與感知機 223
7.1.1 人工神經元與邏輯回歸模型 224
.1.2 感知機模型 225
7.1.3 感知機模型的Python實現 227
7.1.4 多層感知機模型 228
7.2 人工神經網路的核心要素 231
7.2.1 神經元的啟動函數 231
7.2.2 損失函數 233
7.2.3 網路結構 235
7.2.4 反向傳播 236
7.3 人工神經網路的sklearn實現 239
7.3.1 sklearn人工神經網路模組 239
7.3.2 利用人工神經網路預測二手房銷售資料 240
7.4 深度學習與深度神經網路 242
7.4.1 深度學習的概念和原理 243
7.4.2 TensorFlow概述 244
7.4.3 卷積神經網路 245
7.5 利用神經網路進行手寫數位識別 248
7.6 習題 252
 
第8章 支持向量機 254
8.1 支持向量機的理論基礎 254
8.1.1 支持向量的超平面 255
8.1.2 SVM間隔及損失函數 256
8.1.3 非線性SVM與核函數 262
8.1.4 支援向量機分類的步驟 264
8.2 支持向量機的sklearn實現 264
8.2.1 繪製決策邊界 265
8.2.2 繪製SVM的分類介面 267
8.2.3 支援向量機參數對性能的影響 268
8.3 利用支持向量機實現人臉識別 27
8.4 習題 276
參考文獻 278