機器學習：基于騰訊云機器學習應用工程師認證（TCP）

目錄


第1章人工智能與機器學習的概念1
1.1人工智能的定義1
1.2人工智能的歷史2
1.3人工智能的技術發(fā)展6
1.3.1專家系統(tǒng)6
1.3.2機器學習6
1.3.3機器視覺7
1.3.4機器人技術7
1.3.5自然語言處理7
1.3.6自動化8
1.3.7大數(shù)據(jù)8
1.3.8語音識別技術8
1.4人工智能的應用領域9
1.5機器學習概述12
1.5.1什么是機器學習12
1.5.2機器學習的發(fā)展歷程12
1.5.3機器學習的系統(tǒng)結構14
1.5.4機器學習的分類15
1.5.5機器學習的常見算法19
1.5.6機器學習應用場景21
參考文獻21

第2章數(shù)學基礎23
2.1高等數(shù)學23
2.1.1函數(shù)與極限23
2.1.2導數(shù)與微分28
2.1.3微分中值定理與導數(shù)的應用32
2.1.4空間解析幾何和向量代數(shù)38
2.1.5多元函數(shù)微分法及其應用42
2.2線性代數(shù)50
2.2.1矩陣及其運算50
2.2.2矩陣的初等變換與矩陣的秩58
2.2.3向量組的線性相關性63
2.2.4相似矩陣及二次型69
2.2.5矩陣導數(shù)的運算77
2.3概率論與數(shù)理統(tǒng)計78
2.3.1隨機事件及其概率78
2.3.2隨機變量及其分布84
2.3.3多維隨機變量及其分布87
2.3.4隨機變量的數(shù)字特征90
2.3.5樣本及抽樣分布93
2.3.6參數(shù)估計99
2.3.7假設檢驗105
2.4本章小結112
參考文獻112

第3章編程基礎113
3.1Python語法113
3.1.1Python基本概述113
3.1.2Python內(nèi)置對象117
3.1.3Python運算符和表達式125
3.1.4程序控制結構127
3.1.5函數(shù)130
3.1.6面向?qū)ο缶幊?38
3.1.7封裝、繼承和多態(tài)141
3.1.8運算符重載144
3.1.9字符串簡介144
3.1.10轉義字符145
3.1.11字符串格式化147
3.1.12字符串常用操作149
3.1.13正則表達式161
3.1.14文件基本操作172
3.1.15目錄操作（文件夾操作）174
3.1.16異常處理結構178
3.1.17NumPy183
3.1.18pandas185
3.1.19matplotlib188
3.1.20Scikitlearn190
3.1.21小結193
3.2TensorFlow/PyTorch語法193
3.2.1TensorFlow193
3.2.2PyTorch197
3.2.3小結202

第4章數(shù)據(jù)結構與算法203
4.1樹203
4.1.1基本概念203
4.1.2二叉樹的存儲結構206
4.1.3二叉樹的遍歷208
4.1.4樹的存儲結構210
4.1.5樹的遍歷212
4.2哈希表213
4.2.1基本概念213
4.2.2構造哈希函數(shù)的方法214
4.2.3處理沖突的方法216
4.2.4哈希表優(yōu)點221
4.3排序222
4.3.1基本概念222
4.3.2簡單選擇排序223
4.3.3簡單插入排序224
4.3.4冒泡排序225
4.3.5快速排序226
4.3.6歸并排序228
4.4搜索230
4.4.1基本概念230
4.4.2順序搜索231
4.4.3折半搜索232
4.4.4二叉搜索樹234
4.5字符串237
4.5.1基本概念237
4.5.2字符串的存儲結構238
4.5.3正則表達式238
4.6動態(tài)規(guī)劃242
4.6.1最優(yōu)化問題242
4.6.2動態(tài)規(guī)劃的應用場景244
4.6.3動態(tài)規(guī)劃算法思路245
4.6.4應用實例246
4.7小結250

第5章機器學習算法251
5.1機器學習的基本概念251
5.1.1算法分類251
5.1.2模型評價指標252
5.1.3模型選擇及求解問題253
5.2分類255
5.2.1k近鄰算法255
5.2.2決策樹算法257
5.2.3貝葉斯分類器262
5.2.4logistic回歸算法266
5.2.5支持向量機算法269
5.2.6隨機森林算法277
5.3回歸280
5.3.1線性回歸算法280
5.3.2決策樹回歸算法285
5.4無監(jiān)督算法287
5.4.1聚類算法288
5.4.2維歸約技術295
5.5關聯(lián)分析300
5.5.1Apriori算法302
5.5.2頻繁模式樹算法302
5.6其他機器學習方法305
5.6.1隱馬爾可夫模型305
5.6.2Boosting算法315
5.6.3條件隨機場320
5.7深度學習相關算法325
5.7.1神經(jīng)網(wǎng)絡相關概念325
5.7.2深度神經(jīng)網(wǎng)絡328
5.8本章小結331
參考文獻331

第6章構建項目流程333
6.1問題的定義334
6.2數(shù)據(jù)收集334
6.3數(shù)據(jù)預處理335
6.4特征抽取338
6.5模型構建及訓練339
6.5.1模型構建339
6.5.2模型訓練340
6.6模型評估和優(yōu)化341
6.6.1模型評估341
6.6.2模型優(yōu)化342
6.6.3選擇正確的衡量標準343
6.7模型部署和監(jiān)控343
6.7.1模型部署343
6.7.2模型監(jiān)控344
6.7.3應用到業(yè)務中344
6.8本章小結344

第7章TIONE機器學習345
7.1TIONE平臺介紹345
7.2TIONE平臺操作說明346
7.2.1注冊與開通服務346
7.2.2可視化建模界面348
7.2.3新建工程與任務流349
7.2.4基礎操作說明349
7.3使用可視化建模構建模型351

第8章TIONE平臺應用實例352
8.1中式菜系熱度預測模型352
8.2貓狗圖像分類356