目 录
第1章 了解机器学习 001
1.1 机器学习的基本术语 001
1.1.1 大数据相关概念 001
1.1.2 机器学习的发展历程概述 003
1.1.3 机器学习的应用现状 003
1.2 机器学习的基本流程 004
1.3 机器学习的发展现状 006
1.4 机器学习的环境搭建 008
1.4.1 Anaconda 008
1.4.2 PyCharm 014
1.4.3 汉诺塔案例 018
1.4.4 机器学习常用package的安装与介绍 020
第2章 线性回归 023
2.1 线性回归与逻辑回归 023
2.1.1 线性回归模型 023
2.1.2 优化方法 024
2.1.3 损失函数 024
2.1.4 损失函数的优化 025
2.1.5 过拟合和欠拟合 027
2.1.6 利用正则化解决过拟合问题 028
2.1.7 逻辑回归 028
2.1.8 逻辑回归的损失函数 029
2.1.9 逻辑回归实现多分类 031
2.1.10 逻辑回归与线性回归的比较 031
2.2 决策树 032
2.2.1 决策树的建立 032
2.2.2 剪枝 037
2.2.3 CART剪枝 038
2.3 贝叶斯分类器 038
2.3.1 贝叶斯最优分类器 039
2.3.2 极大似然估计 040
2.3.3 朴素贝叶斯分类器 040
2.4 支持向量机 041
2.4.1 支持向量机的原理 041
2.4.2 线性可分支持向量机 042
2.4.3 非线性支持向量机和核函数 044
2.4.4 线性支持向量机与松弛变量 045
2.5 案例 046
2.5.1 线性回归案例 046
2.5.2 逻辑回归案例 050
2.5.3 决策树分类案例 055
2.5.4 支持向量机分类案例 060
第3章 模型评估与选择 067
3.1 经验误差和过拟合 067
3.1.1 从统计学的角度介绍模型的概念 067
3.1.2 关于误差的说法 068
3.1.3 统计学中的过拟合 069
3.1.4 机器学习中的过拟合与欠拟合 070
3.2 模型验证策略 072
3.2.1 留出法 072
3.2.2 交叉验证法 075
3.3 模型的性能度量 079
3.3.1 基本概念 079
3.3.2 性能度量 080
3.3.3 回归性能度量指标 081
3.3.4 回归问题的评估方法 085
第4章 特征提取与降维 089
4.1 特征提取方法――过滤法 089
4.1.1 过滤法的原理及特点 089
4.1.2 过滤法的基本类型 090
4.1.3 过滤法的具体方法 090
4.2 特征提取方法――封装法 094
4.2.1 封装法的思想 094
4.2.2 封装法的代表方法 094
4.3 特征提取方法――嵌入法 095
4.3.1 嵌入法的思想 095
4.3.2 嵌入法的代表方法 095
4.4 K-近邻学习 095
4.4.1 K-近邻学习简介 095
4.4.2 KNN模型 096
4.4.3 KNN模型举例 097
4.4.4 KNN模型的特点 098
4.5 主成分分析 098
4.5.1 主成分分析的定义 098
4.5.2 主成分分析原理 099
4.6 K-近邻学习案例 101
4.6.1 实验步骤 101
4.6.2 实验结果 104
4.7 主成分分析案例（PCA降维） 106
4.7.1 实验步骤 106
4.7.2 实验结果 107
4.7.3 PCA参数介绍 108
第5章 无监督学习 110
5.1 K-means聚类模型原理 110
5.1.1 无监督学习 110
5.1.2 聚类简介 111
5.1.3 K-means聚类模型原理 112
5.2 基于层次的分群 115
5.2.1 层次聚类简介 115
5.2.2 层次聚类的原理 117
5.3 基于密度的分群 122
5.3.1 DBSCAN算法介绍 122
5.3.2 DBSCAN算法评价 124
5.4 聚类模型性能度量 127
5.4.1 聚类结果好坏的评估指标 127
5.4.2 距离度量 129
5.5 案例分析 130
5.5.1 二分K-means聚类案例 130
5.5.2 基于DBSCAN和AGNES算法的聚类 134
第6章 关联规则及推荐算法 139
6.1 关联规则 139
6.1.1 关联规则简介 139
6.1.2 关联规则相关术语 140
6.1.3 关联规则算法 142
6.2 Apriori算法简介 143
6.3 基于内容的过滤和协同过滤 145
6.3.1 基于内容的过滤 145
6.3.2 基于协同过滤的推荐 146
6.3.3 基于用户的协同过滤 147
6.3.4 推荐算法的条件 147
6.4 基于项目的协同过滤 150
6.4.1 协同过滤简介 150
6.4.2 协同过滤算法的主要步骤 151
6.4.3 应用场景 153
6.4.4 基于人口统计学的推荐机制 154
6.5 案例分析 155
6.5.1 Apriori算法的实验步骤 155
6.5.2 基于用户的协同过滤算法的实验步骤 158
6.5.3 基于项目的推荐算法的实验步骤 164
第7章 启发式学习 167
7.1 启发式学习的介绍 167
7.1.1 搜索算法 167
7.1.2 预测建模算法 168
7.2 爬山算法 168
7.2.1 爬山算法的描述 168
7.2.2 爬山算法优缺点的分析 169
7.3 遗传算法 169
7.3.1 遗传算法概述 169
7.3.2 遗传算法的过程 170
7.3.3 遗传算法实例 170
7.4 模拟退火 176
7.4.1 模拟退火算法简介 176
7.4.2 模拟退火参数控制 177
7.4.3 模拟退火算法的步骤 178
7.5 粒子群算法 179
7.5.1 粒子群算法简介 179
7.5.2 粒子群算法的流程 179
7.6 案例分析 181
7.6.1 粒子群算法案例 181
7.6.2 爬山算法案例 185
7.6.3 遗传算法案例 187
7.6.4 退火算法案例 191
第8章 集成学习 194
8.1 集成学习的基本术语 194
8.1.1 集成学习的相关概念 194
8.1.2 集成学习的分类 195
8.2 Boosting算法 196
8.3 AdaBoost算法 197
8.4 Bagging算法 199
8.5 随机森林 200
8.6 结合策略 201
8.7 集成学习案例 203
8.7.1 随机森林案例 203
8.7.2 AdaBoost案例 208
第9章 强化学习 214
9.1 强化学习概述 214
9.1.1 强化学习的定义 214
9.1.2 强化学习的特点 215
9.2 K-摇臂赌博机模型 216
9.2.1 K-摇臂赌博机简介 216
9.2.2 ?-贪心算法 217
9.2.3 Softmax算法 218
9.3 策略迭代原理 218
9.3.1 马尔可夫决策过程 218
9.3.2 价值函数 219
9.3.3 策略迭代法 220
9.4 蒙特卡罗强化学习 221
9.4.1 蒙特卡罗方法的基本思想 221
9.4.2 强化学习中的蒙特卡罗方法 222
9.4.3 蒙特卡罗策略估计 222
9.5 时序差分学习 223
9.5.1 TD(1)算法 224
9.5.2 TD(?)、TD(0)算法 225
9.6 Q-Learning算法案例实战 226
9.7 基于Sarsa的宝藏探索 229
第10章 人工神经网络 238
10.1 人工神经元模型 238
10.1.1 人脑生物神经元概述 238
10.1.2 人工神经元模型概述 239
10.1.3 常见的激活函数 240
10.2 多层感知器 241
10.2.1 单层感知器简述 241
10.2.2 多层感知器 242
10.2.3 多层感知器的功能 243
10.3 误差反向传播算法原理 244
10.3.1 预定义 244
10.3.2 各层信号之间的数学关系 244
10.3.3 误差反向传播算法 245
10.3.4 误差反向传播算法的改进 245
10.4 递归神经网络 246
10.4.1 递归神经网络简介 246
10.4.2 RNN的原理 247
10.5 卷积神经网络 249
10.5.1 卷积神经网络（CNN）概述 249
10.5.2 CNN的基本组成结构 249
10.5.3 卷积神经网络的特点 251
10.6 CNN实例 252
10.6.1 前期准备 252
10.6.2 数据预处理 253
10.6.3 网络搭建 254
10.6.4 模型训练 256
10.7 RNN实例 258
10.7.1 前期准备 258
10.7.2 创建RNN模型 259
本书以Python语言为基础从理论和实践两个层面介绍了机器学习的各种方法。每章都有对应的实例供实践参考。
机器学习是人工智能的核心，也是数据科学的关键技术之一。本书以Python语言为基础从理论和实践两个层面介绍了机器学习的各种方法。全书共10章，内容涉及机器学习的基本概念、模型评估与选择、特征提取与降维、无监督学习、关联规则及推荐算法、各种启发式学习算法、集成学习、强化学习及人工神经网络等。每章都有对应的实例供实践参考。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
