机器学习从入门到精通/陈怡然

**篇 铸刀
第1章 初识机器学习
本章导读
知识要点
1．1 什么是机器学习
1．2 机器学习的工作流程
1．2．1 准备数据集
1．2．2 进行模型训练
1．2．3 模型评估
1．3 假设空间和归纳偏好
1．3．1 假设空间
1．3．2 归纳偏好
1．4 发展历程
1．4．1 决策树的命运变迁
1．4．2 神经网络的众多名称和命运变迁
1．5 应用现状
新手问答
本章小结
第2章 机器学习之刃TensorFlow
本章导读
知识要点
2．1 认识TensorFlow
2．2 TensorFlow的安装与工作原理
2．2．1 TensorFlow安装图解
2．2．2 TensorFlow的工作原理
2．2．3 什么是计算图
2．2．4 什么是会话
2．2．5 什么是张量
2．3 常量、变量和占位符
2．3．1 基本概念
2．3．2 基本运算
2．4 操作矩阵
2．4．1 矩阵的创建
2．4．2 矩阵的运算
2．4．3 矩阵的分解和特征值
2．5 使用激活函数
2．5．1 什么是激活函数
2．5．2 Sigmoid函数
2．5．3 Tanh函数
2．5．4 Relu函数
2．5．5 Softplus函数
2．6 读取数据源
2．6．1 通过Excel表导入数据集
2．6．2 通过CSV文件导入数据集
2．6．3 通过库中自带的数据集导入数据集
2．6．4 导入图片数据集
2．6．5 将数据集通过URL自动进行下载
新手问答
牛刀小试
本章小结
第3章 数据分析基础
本章导读
知识要点
3．1 认识Numpy和Pandas
3．2 Numpy的基本使用
3．2．1 创建ndarray数组
3．2．2 运用ndarray数组
3．3 Pandas的基本使用
3．3．1 Series数据结构
3．3．2 DataFrame数据结构
新手问答
牛刀小试
本章小结
第4章 模型的评价与评估
本章导读
知识要点
4．1 损失函数
4．1．1 *小二乘
4．1．2 梯度下降
4．2 经验误差与拟合
4．3 数据集划分
4．3．1 留出法
4．3．2 交叉验证法
4．3．3 自助法
4．4 调参与*终模型
4．5 模型性能度量
4．5．1 均方误差
4．5．2 错误率与精确度
4．5．3 准确度、灵敏度与F1
4．5．4 受试者工作特征与AUC
4．5．5 代价敏感错误率与代价曲线
4．6 比较检验
4．6．1 假设检验
4．6．2 麦克尼马尔变化显著性检验
4．7 偏差与方差
4．8 不同学习模型下的模型评价与评估
4．8．1 不同学习模型下的数据集划分
4．8．2 不同学习模型下的模型评价
新手问答
牛刀小试
本章小结
第5章 数据准备
本章导读
知识要点
5．1 数据探索
5．1．1 数据质量分析
5．1．2 数据特征分析
5．2 数据预处理
5．2．1 数据清洗
5．2．2 数据集成
5．2．3 数据变换
5．2．4 数据规约
新手问答
牛刀小试
本章小结

第二篇 招式
第6章 回归
本章导读
知识要点
6．1 回归分析算法的基础知识
6．1．1 回归与拟合
6．1．2 汽车油耗数据集准备
6．1．3 在Excel中添加回归趋势线预测
6．2 线性回归
6．2．1 线性回归的基本原理
6．2．2 线性回归模型实现之*小二乘法
6．2．3 线性回归模型实现之梯度下降法
6．2．4 线性回归模型在油耗预测中的应用
6．3 逻辑回归
6．3．1 逻辑回归的基本原理
6．3．2 逻辑回归与线性回归的区别
6．3．3 逻辑回归模型实现
6．4 戴明回归
6．4．1 戴明回归的基本原理
6．4．2 戴明回归的模型实现
6．5 回归模型的评估
6．5．1 平均误差
6．5．2 平均绝对误差
6．5．3 解释回归模型的方差
6．5．4 R2确定系数
新手问答
牛刀小试
本章小结
第7章 分类
本章导读
知识要点
7．1 分类算法的基础知识
7．1．1 分类的基本思想
7．1．2 贷款违约风险评估数据准备
7．2 决策树分类器
7．2．1 决策树模型原理
7．2．2 信息增益
7．2．3 ID3决策树原理
7．2．4 ID3决策树模型的实现
7．2．5 决策树模型的可视化
7．2．6 CART决策树原理
7．2．7 CART决策树模型的实现
7．3 朴素贝叶斯分类器
7．3．1 预测贷款违约数据准备
7．3．2 条件概率与贝叶斯公式
7．3．3 极大似然估计
7．3．4 高斯贝叶斯模型的实现
7．3．5 多项式贝叶斯模型的实现
7．3．6 伯努利贝叶斯模型的实现
7．4 分类模型的评估
7．4．1 混淆矩阵
7．4．2 精确度与敏感度
7．4．3 分类报告
新手问答
牛刀小试
本章小结
第8章 聚类
本章导读
知识要点
8．1 聚类分析的基础知识
8．1．1 聚类分析的基本思想
8．1．2 聚类分析的距离计算
8．1．3 基站商圈数据准备
8．2 K-means算法
8．2．1 K-means算法原理
8．2．2 K-means算法的应用
8．3 层次聚类
8．3．1 层次聚类的原理
8．3．2 层次聚类算法的应用
8．4 密度聚类
8．4．1 密度聚类原理
8．4．2 密度聚类算法的应用
8．5 聚类分析模型评估
8．5．1 外部度量
8．5．2 内部评估
新手问答
牛刀小试
本章小结
第9章 支持向量机
本章导读
知识要点
9．1 支持向量机的基础知识
9．1．1 支持向量机概述
9．1．2 鸢尾花数据准备
9．2 支持向量机的分类
9．2．1 支持向量机分类基础
9．2．2 SVM分类算法库
9．2．3 线性可分问题下的支持向量机分类原理
9．2．4 广义线性的支持向量机分类原理
9．2．5 非线性的支持向量机分类原理
9．3 支持向量机回归机
9．3．1 支持向量机回归机概述
9．3．2 SVM回归算法库
9．3．3 支持向量机回归机的应用
9．4 支持向量机模型评估
9．4．1 R2系数
9．4．2 建立模型准确度评测
9．4．3 混淆矩阵
9．4．4 建立模型分类报告
新手问答
牛刀小试
本章小结
第10章 机器的大脑“神经网络”
本章导读
知识要点
10．1 神经网络的相关知识
10．1．1 神经网络的历史
10．1．2 神经元模型
10．1．3 激活函数
10．2 神经网络
10．2．1 神经网络的基本概念
10．2．2 单层神经网络的原理
10．2．3 隐藏层
10．2．4 多层感知网络的原理
10．3 BP神经网络
10．3．1 BP神经网络的基本原理
10．3．2 算法演绎推导
10．3．3 BP神经网络的实现
新手问答
牛刀小试
本章小结
第11章 卷积神经网络
本章导读
知识要点
11．1 卷积神经网络的基本概念
11．1．1 卷积神经网络基本原理
11．1．2 卷积运算原理
11．1．3 激活层
11．1．4 池化
11．2 卷积神经网络的实现
11．2．1 需求背景介绍
11．2．2 数据准备
11．2．3 模型建立
11．2．4 模型的训练和评估
11．2．5 模型优化
新手问答
牛刀小试
本章小结

第三篇 实战
第12章 让机器预测房价
本章导读
知识要点
12．1 目标与计划
12．1．1 房价数据的特征和维度
12．1．2 制订机器学习计划
12．2 获取数据
12．2．1 获取原始数据
12．2．2 数据探索
12．2．3 数据清洗
12．2．4 训练/测试集划分
12．2．5 数据变换
12．3 建立线性回归模型
12．4 模型评估
12．4．1 训练集评估
12．4．2 测试集评估
12．5 项目结论
本章小结
第13章 人脸识别系统的设计与实现
本章导读
知识要点
13．1 目标与计划
13．1．1 目标图像集的大小和类别
13．1．2 机器学习模型的选择
13．1．3 制订机器学习计划
13．2 获取数据集
13．2．1 下载数据集
13．2．2 数据的清洗和准备
13．2．3 划分训练集与测试集
13．3 建立图像识别模型
13．3．1 确定损失函数
13．3．2 卷积层的设置
13．3．3 激活函数的选择
13．3．4 池化的类型
13．3．5 模型的训练
13．4 模型评估
13．4．1 中间结果的可视化
13．4．2 收敛的判定
13．4．3 交叉验证
本章小结
附录 TensorFlow常用函数
参考文献