PYTHON在机器学习中的应用

第1 章 机器学习简介 1.1 机器学习的任务 1.2 机器学习的三种方式 1.3 机器学习系统的建立 1.4 机器学习实例 第2 章 Python 常用库介绍 2.1 Python 的安装(Anaconda) 2.1.1 Spyder 2.1.2 Jupyter Notebook 2.2 Python 常用库2.2.1 Numpy 库2.2.2 Pandas 库2.2.3 Matplotlib 库 2.2.4 Statsmodels 库 2.2.5 Scikit-learn 库 2.3 其他Python 常用的数据库 2.4 Python 各种库在机器学习中的应用第3 章 数据的准备和探索 3.1 数据预处理 3.2 数据假设检验 3.3 数据间的关系 3.4 数据可视化 3.5 特征提取和降维 第4 章 模型训练和评估 4.1 模型训练技巧 4.2 分类效果的评价 4.3 回归模型评价 4.4 聚类分析评估 第5 章 回归分析 5.1 回归分析简介 5.2 多元线性回归分析 5.2.1 多元线性回归 5.2.2 逐步回归 5.3 Lasso 回归分析5.4 Logistic 回归分析5.5 时间序列预测 第6 章 关联规则 6.1 关联规则简介 6.2 使用关联规则找到问卷的规则 6.3 关联规则可视化 第7 章 无监督学习 7.1 无监督学习介绍 7.2 系统聚类 7.3 K- 均值聚类7.4 密度聚类 7.5 Mean Shift 聚类 7.6 字典学习图像去噪 第8 章 文本LDA 模型 8.1 文本分析简介 8.2 中文分词 8.3 LDA 主题模型分析《红楼梦》8.4 红楼梦人物关系 第9 章 决策树和集成学习 9.1 模型简介 9.2 泰坦尼克号数据预处理 9.3 决策树模型 9.4 决策树剪枝 9.5 随机森林模型 9.6 AdaBoost 模型第10 章 朴素贝叶斯和K近邻分类 10.1 模型简介 10.2 垃圾邮件数据预处理 10.3 贝叶斯模型识别垃圾邮件 10.4 基于异常值检测的垃圾邮件查找 10.4.1 PCA 异常值检测10.4.2 Isolation Forest 异常值检测 10.5 数据不平衡问题的处理 10.6 K 近邻分类第11 章 支持向量机和神经网络 11.1 模型简介 11.2 肺癌数据可视化 11.3 支持向量机模型 11.4 全连接神经网络 第12 章 深度学习入门 12.1 深度学习介绍 12.2 卷积和池化 12.3 CNN 人脸识别12.4 CNN 人脸检测12.5 深度卷积图像去噪 12.5.1 空洞卷积 12.5.2 图像与图像块的相互转换 12.5.3 一种深度学习去噪方法