机器学习基础与案例实战:Python+Sklearn+TensorFlow:慕课版

【章名目录】 ### 第 1篇 入门篇 ### 第 1章 机器学习概述 ### 第 2篇 监督学习篇 ### 第 2章 K近邻 第3章 决策树 第4章 线性模型 第5章 支持向量机 第6章 贝叶斯模型 ### 第3篇 无监督学习篇 ### 第7章 聚类 第8章 主成分分析 第9章 奇异值分解 ### 第4篇 进阶篇 ### 第 10章 集成学习 第 11章 特征工程 第 12章 深度学习 【详细目录】 ### 第 1篇 入门篇 ### 第 1章 机器学习概述 1.1 机器学习基础 2 1.1.1 机器学习的定义 2 1.1.2 机器学习基本概念 3 1.1.3 机器学习分类 3 1.1.4 机器学习开发步骤：以股价预测为例 5 1.2 机器学习发展简史 7 1.3 机器学习相近概念简介 8 1.3.1 机器学习、深度学习和人工智能 8 1.3.2 机器学习与数据挖掘 8 1.3.3 机器学习与模式识别 8 1.3.4 机器学习与数学建模 9 1.4 机器学习典型应用领域 9 1.4.1 医疗保健领域 9 1.4.2 金融领域 9 1.4.3 电子商务与新零售领域 10 1.4.4 自然语言处理与语音识别领域 10 1.4.5 物联网领域 10 1.5 综合案例：机器学习开发环境配置和使用 10 1.5.1 案例概述 10 1.5.2 Windows版Anaconda安装和卸载 12 1.5.3 代表性的开发模式实践 13 1.5.4 Linux版Anaconda安装和使用 20 习题1 24 实训1 24 ### 第 2篇 监督学习篇 ### 第 2章 K近邻 2.1 K近邻概述 26 2.1.1 原理及图解 26 2.1.2 距离度量 28 2.1.3 形式化描述 30 2.1.4 优势和不足 30 2.2 监督学习模型评价指标 31 2.2.1 分类模型评价指标 31 2.2.2 回归模型评价指标 36 2.3 综合案例：使用K近邻分类器预测鸢尾花类型 38 2.3.1 案例概述 38 2.3.2 案例实现：Python版 41 2.3.3 案例实现：Sklearn版 42 2.4 综合案例：使用K近邻回归器预测房价 43 2.4.1 案例概述 43 2.4.2 案