慧科人工智能系列丛书机器学习基础与实践

目录

第1章机器学习概览1

1.1人工智能技术发展史和机器学习定义1

1.2必要的基础概念3

1.3机器学习项目工作流程5

1.4机器学习任务场景6

小结与讨论8

习题8第2章特征工程方法9

2.1特征类型9

2.2特征处理10

2.3特征选择11

2.4案例1： 北京房价数据特征工程12

2.4.1案例介绍12

2.4.2案例目标13

2.4.3案例拆解13

2.5案例2: 泰坦尼克号乘客逃生数据特征工程16

2.5.1案例介绍16

2.5.2案例目标17

2.5.3案例拆解17

小结与讨论20

习题20第3章决策树21

3.1决策树实现过程21

3.2决策树的目标函数24

3.3案例1: 鸢尾花分类26

3.3.1案例介绍26

3.3.2案例目标26

3.3.3案例拆解26

3.4案例2: 信用卡欺诈预测31

3.4.1案例介绍31

3.4.2案例目标31

3.4.3案例拆解31

小结与讨论41

习题42第4章K*近邻43

4.1K*近邻实现43

4.2距离度量45

4.3案例1: O2O优惠券使用日期预测46

4.3.1案例介绍46

4.3.2案例目标46

4.3.3案例拆解47

4.4案例2: 葡萄酒原产地预测52

4.4.1案例介绍52

4.4.2案例目标52

4.4.3案例拆解52

小结与讨论61

习题61第5章支持向量机62

5.1SVM建模思路62

5.2核技巧64

5.3案例1: 手写数字识别69

5.3.1案例介绍69

5.3.2案例目标70

5.3.3案例拆解70

5.4案例2: 地铁人流量预测71

5.4.1案例介绍71

5.4.2案例目标71

5.4.3案例拆解71

小结与讨论77

习题78第6章朴素贝叶斯79

6.1贝叶斯基础和*大后验概率79

6.2朴素贝叶斯的实现81

6.3案例1： 糖尿病病情预测85

6.3.1案例介绍85

6.3.2案例目标85

6.3.3案例拆解85

6.4案例2: 亚马逊消费者投诉分析91

6.4.1案例介绍91

6.4.2案例目标91

6.4.3案例拆解92

小结与讨论98

习题98第7章线性回归与逻辑回归99

7.1线性回归的实现99

7.2逻辑回归的实现100

7.3案例1： 广告点击率预测101

7.3.1案例介绍101

7.3.2案例目标101

7.3.3案例拆解101

7.4案例2: 波士顿房价预测105

7.4.1案例介绍105

7.4.2案例目标105

7.4.3案例拆解105

小结与讨论110

习题110第8章集成思想 111

8.1随机森林111

8.2梯度提升决策树112

8.3案例1： 美国居民收入预测112

8.3.1案例介绍112

8.3.2案例目标112

8.3.3案例拆解112

8.4案例2: 公共自行车租赁预测120

8.4.1案例介绍120

8.4.2案例目标120

8.4.3案例拆解120

小结与讨论125

习题125第9章聚类与降维126

9.1聚类概述126

9.2KMeans算法的实现过程129

9.3案例1： 蘑菇数据聚类131

9.3.1案例介绍131

9.3.2案例目标131

9.3.3案例拆解131

9.4案例2: 图像数据压缩136

9.4.1案例介绍136

9.4.2案例目标136

9.4.3案例拆解136

小结与讨论138

习题138第10章神经网络方法 139

10.1神经网络方法基础原理139

10.2全连接神经网络的组成139

10.3案例1: 时装图像分类140

10.3.1案例介绍140

10.3.2案例目标140

10.3.3案例拆解140

10.4案例2: 人脸图像识别143

10.4.1案例介绍143

10.4.2案例目标143

10.4.3案例拆解143

小结与讨论147

习题148

附录A环境问题QA149