包邮机器学习算法入门与编程实践(基于Python·微课视频版)

前言第1章 机器学习概述11.1 机器学习的概念和步骤11.1.1 机器学习的一般过程21.1.2 机器学习的定义41.1.3 机器学习的过程举例41.1.4 评估机器学习模型的效果71.2 机器学习的预处理环节91.2.1 收集相关样本101.2.2 数据预处理101.2.3 数据标准化121.2.4 数据降维141.3 机器学习的类型151.3.1 按完成的任务分类151.3.2 按学习的过程分类161.4 机器学习的发展历史和应用领域171.4.1 机器学习的发展历史171.4.2 机器学习的应用领域201.5 习题22第2章 Python机器学习与可视化242.1 Python程序入门242.1.1 一些简单的Python程序242.1.2 序列数据结构262.1.3 序列处理函数282.1.4 函数和类292.2 Python数据分析工具322.2.1 Anaconda的使用322.2.2 Spyder集成开发环境332.2.3 NumPy库342.3 数据可视化——基于Matplotlib库372.3.1 绘制曲线图382.3.2 绘制散点图等其他图形432.4 SciPy库472.5 sklearn库492.5.1 样本及样本的划分492.5.2 导入或创建数据集532.5.3 数据预处理562.5.4 数据的降维592.5.5 调用机器学习模型612.6 习题63第3章 关联规则与推荐算法653.1 关联规则挖掘653.1.1 基本概念653.1.2 Apriori算法683.1.3 Apriori算法的程序实现723.1.4 FP-Growth算法733.2 推荐系统及算法773.2.1 协同过滤推荐算法783.2.2 协同过滤推荐算法应用实例813.3 利用协同过滤推荐算法实现电影节目推荐853.4 习题87第4章 聚类894.1 聚类的原理与实现894.1.1 聚类的概念和类型894.1.2 如何度量距离894.1.3 聚类的基本步骤934.2 层次聚类算法974.2.1 层次聚类法举例984.2.2 层次聚类法的sklearn实现994.3 K-means聚类算法1034.3.1 K-means聚类算法的原理和实例1044.3.2 K-means聚类算法的k值的确定1104.3.3 K-means聚类算法的sklearn实现1114.4 K-medoids聚类算法1124.4.1 K-medoids聚类算法的原理和实例1124.4.2 K-medoids聚类算法的sklearn实现1184.5 DBSCAN聚类算法1194.5.1 DBSCAN聚类算法的原理和实例1194.5.2 DBSCAN聚类算法的sklearn实现1244.6 利用聚类算法实现车牌识别1264.7 习题129 第5章 分类1305.1 分类的基本原理1305.1.1 分类与聚类的区别1315.1.2 分类的步骤1325.1.3 分类模型预测结果评估1345.1.4 sklearn库的常用分类算法1355.2 K-近邻算法1365.2.1 K-近邻算法的原理和实例1365.2.2 sklearn中分类模型的编程步骤1405.2.3 K-近邻算法的sklearn实现1425.2.4 绘制分类边界图1445.2.5 确定*优的k值1465.3 朴素贝叶斯分类算法1475.3.1 朴素贝叶斯的原理与实例1485.3.2 朴素贝叶斯分类的常见问题1525.3.3 朴素贝叶斯分类算法的sklearn实现1545.4 决策树分类算法1565.4.1 信息论基础1575.4.2 ID3算法1625.4.3 C4.5算法1675.4.4 CART算法1715.4.5 决策树分类算法的sklearn实现1735.5 随机森林分类算法1755.5.1 集成学习理论1755.5.2 随机森林分类算法的理论与实例1775.5.3 随机森林分类算法的sklearn实现1835.6 利用运动手环数据预测身体姿态1865.7 习题191第6章 回归与逻辑回归1936.1 线性回归1936.1.1 相关与回归1936.1.2 线性回归分析1946.1.3 线性回归方程参数的求法1966.1.4 线性回归模型的sklearn实现2016.2 逻辑回归2066.2.1 线性分类模型的原理2066.2.2 逻辑回归模型及实例2096.3 逻辑回归模型的sklearn实现2126.3.1 sklearn中的逻辑回归模型2126.3.2 利用逻辑回归模型预测是否录取学生2146.4 利用逻辑回归模型预测贷款违约行为2186.5 习题222第7章 人工神经网络2237.1 神经元与感知机2237.1.1 人工神经元与逻辑回归模型2247.1.2 感知机模型2257.1.3 感知机模型的Python实现2277.1.4 多层感知机模型2287.2 人工神经网络的核心要素2317.2.1 神经元的激活函数2317.2.2 损失函数2337.2.3 网络结构2357.2.4 反向传播2367.3 人工神经网络的sklearn实现2397.3.1 sklearn人工神经网络模块2397.3.2 利用人工神经网络预测二手房销售数据2407.4 深度学习与深度神经网络2427.4.1 深度学习的概念和原理2437.4.2 TensorFlow概述2447.4.3