python机器学原理·算法及案例实战

目录

**部分入门篇

第1章机器学习概述3

1.1人工智能简介4

1.1.1什么是人工智能4

1.1.2人工智能史上的三次浪潮4

1.1.3人工智能的研究领域8

1.2机器学习的主要工作17

1.3机器学习开发环境19

习题25

第2章Python数据处理基础27

2.1Python程序开发技术27

2.2基本数据类型29

2.3数据文件读写37

2.3.1打开与关闭文件37

2.3.2读取文件内容38

2.3.3将数据写入文件39

2.3.4Pandas存取文件40

2.3.5NumPy存取文件42

习题43

第二部分基础篇

第3章Python常用机器学习库47

3.1NumPy47

3.1.1ndarray对象48

3.1.2NumPy数据类型49

3.1.3NumPy数组属性53

3.1.4其他创建数组的方式55

3.1.5切片、迭代和索引59

3.1.6NumPy计算62

3.2Pandas64

3.2.1Series数据结构64

3.2.2DataFrame对象67

3.2.3数据对齐75

3.3Matplotlib78

3.4OpenCV91

3.5Scikit learn96

3.5.1SKlearn简介96

3.5.2SKlearn的一般步骤97

3.6其他常用模块99

3.6.1WordCloud制作词云99

3.6.2Jieba中文分词101

3.6.3PIL105

习题112

第4章机器学习基础114

4.1机器学习模型115

4.1.1线性模型与非线性模型115

4.1.2浅层模型与深度模型115

4.1.3单一模型与集成模型116

4.1.4监督学习、非监督学习和强化学习116

4.2机器学习算法的选择120

4.2.1模型的确定121

4.2.2性能评估127

4.3Python机器学习利器SKlearn129

4.3.1SKlearn数据预处理129

4.3.2SKlearn模型选择与算法评价132

习题134

第三部分实战篇

第5章KNN分类算法139

5.1KNN分类139

5.2初识KNN——鸢尾花分类142

5.3KNN手写数字识别147

实验150

第6章KMeans聚类算法153

6.1KMeans聚类算法概述153

6.1.1聚类154

6.1.2KMeans聚类154

6.1.3聚类算法的性能评估155

6.2使用KMeans实现数据聚类156

6.2.1使用SKlearn实现KMeans聚类156

6.2.2Python实现KMeans聚类159

6.3KMeans算法存在的问题161

6.3.1KMeans算法的不足161

6.3.2科学确定k值163

6.3.3使用后处理提高聚类效果164

实验164

第7章推荐算法172

7.1推荐系统172

7.1.1推荐算法概述173

7.1.2推荐系统的评价指标175

7.1.3推荐系统面临的挑战177

7.1.4常见的推荐算法178

7.2协同过滤推荐算法178

7.2.1基于用户的协同过滤算法178

7.2.2基于内容的推荐算法183

7.2.3基于图结构的推荐算法185

7.2.4其他推荐算法185

7.3基于内容的推荐算法案例186

7.4协同过滤算法实现电影推荐188

实验195

第8章回归算法196

8.1线性回归197

8.1.1一元线性回归197

8.1.2多元线性回归200

8.2逻辑回归201

8.2.1线性回归存在的问题202

8.2.2逻辑函数Sigmoid203

8.2.3逻辑回归的概念204

8.2.4线性回归与逻辑回归的区别205

8.2.5逻辑回归参数的确定205

8.3回归分析综合案例208

8.3.1信用卡逾期情况预测案例208

8.3.2使用逻辑回归实现鸢尾花分类预测案例211

实验213

第9章支持向量机216

9.1支持向量机的概念216

9.1.1线性判别分析217

9.1.2间隔与支持向量218

9.1.3超平面219

9.1.4感知器220

9.2支持向量机的参数226

9.2.1优化求解226

9.2.2核函数226

9.2.3SVM应用案例226

实验231

第10章神经网络237

10.1神经网络的基本原理237

10.1.1人工神经网络237

10.1.2神经网络结构239

10.2多层神经网络240

10.2.1多隐藏层240

10.2.2激活函数242

10.3BP神经网络244

实验251

第11章深度学习256

11.1深度学习概述257

11.1.1深度学习的产生257

11.1.2深度学习的发展259

11.2卷积神经网络260

11.2.1卷积神经网络的神经科学基础260

11.2.2卷积操作260

11.2.3池化操作263

11.2.4卷积神经网络的激活函数265

11.2.5卷积神经网络模型265

11.3循环神经网络270

11.4常见的深度学习开源框架和平台271

11.5TensorFlow学习框架272

11.6Keras深度学习框架280

11.6.1Keras基础280

11.6.2Keras综合实例280

习题286