機器學(xué)習(xí)：原理、算法與Python實戰(zhàn)（微課視頻版）

隨書資源


第1章機器學(xué)習(xí)基礎(chǔ)

1.1機器學(xué)習(xí)

1.1.1什么是機器學(xué)習(xí)

1.1.2從數(shù)據(jù)中學(xué)習(xí)

1.1.3機器學(xué)習(xí)能夠解決的問題

1.2機器學(xué)習(xí)的分類

1.2.1學(xué)習(xí)方式

1.2.2算法的分類

1.3機器學(xué)習(xí)的范圍

1.4編程語言與開發(fā)環(huán)境

1.4.1選擇Python的原因

1.4.2安裝開發(fā)環(huán)境

1.4.3Scikitlearn

1.5第一個機器學(xué)習(xí)應(yīng)用： 鳶尾花分類

1.5.1特征數(shù)據(jù)與標簽數(shù)據(jù)

1.5.2訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)

1.5.3構(gòu)建機器學(xué)習(xí)模型

1.5.4預(yù)測與評估

1.6本章小結(jié)

習(xí)題

第2章監(jiān)督學(xué)習(xí)

2.1監(jiān)督學(xué)習(xí)概念與術(shù)語

2.1.1監(jiān)督學(xué)習(xí)工作原理

2.1.2分類與回歸

2.1.3泛化

2.1.4欠擬合

2.1.5過擬合

2.1.6不收斂

2.2K近鄰算法

2.2.1K近鄰分類

2.2.2K近鄰回歸

2.3樸素貝葉斯

2.3.1貝葉斯定理

2.3.2樸素貝葉斯算法步驟

2.3.3在Scikitlearn中使用貝葉斯分類

2.4決策樹

2.4.1決策樹的基本思想

2.4.2決策樹學(xué)習(xí)算法

2.4.3構(gòu)造決策樹

2.4.4決策樹的優(yōu)化與可視化

2.4.5決策樹回歸

2.5線性模型

2.5.1線性回歸

2.5.2嶺回歸與Lasso回歸

2.5.3多項式回歸

2.5.4線性分類模型

2.6邏輯回歸

2.6.1邏輯回歸模型介紹

2.6.2邏輯回歸算法實現(xiàn)







2.7支持向量機

2.7.1支持向量

2.7.2線性SVM分類

2.7.3核技巧

2.7.4SVM回歸

2.7.5Scikitlearn SVM參數(shù)

2.8集成學(xué)習(xí)方法

2.8.1集成學(xué)習(xí)

2.8.2Bagging和Pasting

2.8.3隨機森林

2.8.4提升法

2.9人工神經(jīng)網(wǎng)絡(luò)

2.9.1從生物神經(jīng)元到人工神經(jīng)元

2.9.2感知器學(xué)習(xí)

2.9.3神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

2.9.4神經(jīng)網(wǎng)絡(luò)應(yīng)用案例

2.10分類器的不確定度估計

2.10.1決策函數(shù)

2.10.2預(yù)測概率

2.11本章小結(jié)

習(xí)題

第3章無監(jiān)督學(xué)習(xí)與數(shù)據(jù)預(yù)處理

3.1無監(jiān)督學(xué)習(xí)

3.1.1無監(jiān)督學(xué)習(xí)的類型

3.1.2無監(jiān)督學(xué)習(xí)的挑戰(zhàn)

3.2數(shù)據(jù)預(yù)處理

3.2.1數(shù)據(jù)清洗

3.2.2數(shù)據(jù)變換

3.2.3數(shù)據(jù)集成

3.2.4數(shù)據(jù)規(guī)約

3.3降維

3.3.1數(shù)據(jù)壓縮

3.3.2數(shù)據(jù)可視化

3.3.3降維的主要方法

3.3.4PCA

3.3.5利用PCA實現(xiàn)半導(dǎo)體制造數(shù)據(jù)降維

3.4聚類

3.4.1KMeans聚類

3.4.2均值偏移聚類

3.4.3DBSCAN

3.4.4高斯混合模型的期望最大化(EM)聚類

3.4.5層次聚類

3.5本章小結(jié)

習(xí)題

第4章特征工程

4.1特征理解

4.2特征增強

4.2.1EDA

4.2.2處理數(shù)據(jù)缺失

4.2.3標準化和歸一化

4.3特征構(gòu)建

4.3.1特征構(gòu)建的基礎(chǔ)操作

4.3.2特征構(gòu)建的數(shù)值變量擴展

4.3.3文本變量處理

4.4特征選擇

4.4.1單變量特征選擇

4.4.2模型特征選擇

4.4.3迭代特征選擇

4.5特征轉(zhuǎn)換

4.5.1PCA

4.5.2LDA

4.6特征學(xué)習(xí)

4.6.1數(shù)據(jù)的參數(shù)假設(shè)

4.6.2受限玻爾茲曼機(RBM)

4.6.3詞嵌入

4.7本章小結(jié)

習(xí)題

第5章模型評估與優(yōu)化

5.1算法鏈與管道

5.1.1用管道方法簡化工作流

5.1.2通用的管道接口

5.2交叉驗證

5.2.1K折交叉驗證

5.2.2分層K折交叉驗證

5.3模型評價指標

5.3.1誤分類的不同影響

5.3.2混淆矩陣

5.3.3分類的不確定性

5.3.4準確率召回率曲線

5.3.5受試者工作特征（ROC）與AUC

5.3.6多分類指標

5.3.7回歸指標

5.3.8在模型選擇中使用評估指標

5.4處理類的不平衡問題

5.4.1類別不平衡問題

5.4.2解決類別不平衡問題

5.5網(wǎng)格搜索優(yōu)化模型

5.5.1簡單網(wǎng)格搜索選擇超參數(shù)

5.5.2驗證集用于選擇超參數(shù)

5.5.3帶交叉驗證的網(wǎng)格搜索

5.6本章小結(jié)

習(xí)題

第6章機器學(xué)習(xí)應(yīng)用案例

6.1電影推薦系統(tǒng)

6.1.1推薦系統(tǒng)基礎(chǔ)

6.1.2推薦引擎算法

6.1.3相似度指標

6.1.4電影推薦系統(tǒng)實戰(zhàn)

6.2情感分析系統(tǒng)

6.2.1情感分析概述

6.2.2導(dǎo)入數(shù)據(jù)集

6.2.3詞袋模型

6.2.4TFIDF

6.2.5數(shù)據(jù)預(yù)處理

6.2.6訓(xùn)練模型

6.2.7模型評估及調(diào)優(yōu)

6.3房價預(yù)測系統(tǒng)

6.3.1案例背景

6.3.2數(shù)據(jù)處理及可視化分析

6.3.3訓(xùn)練模型

6.3.4模型評估

6.3.5模型調(diào)優(yōu)

6.4人臉識別

6.4.1概述

6.4.2加載數(shù)據(jù)集

6.4.3訓(xùn)練模型

6.4.4測試模型

6.4.5PCA主成分分析

6.4.6模型調(diào)優(yōu)

6.5本章小結(jié)

習(xí)題