机器学习与Python实践

　　第1章 机器学习简介
　　1．1 人工智能、机器学习与深度学习
　　1．2 机器学习概述
　　1．2．1 有监督学习
　　1．2．2 无监督学习
　　1．2．3 有监督学习与无监督学习的区别
　　1．2．4 深度学习
　　1．2．5 强化学习
　　1．3 机器学习的具体过程
　　1．3．1 数据采集和标记
　查看完整　　

　　人工智能是近年来全球非常火热的研究领域之一，随着机器学习、深度学习和强化学习研究的突破，人工智能技术已被应用到图像识别、机器翻译、语音助手和自动驾驶等方面。为了使读者能够深刻理解人工智能的技术，《机器学习与Python实践》基于Python的Scikit Learn库介绍了机器学习的基础知识，如分类、回归、反向传播算法和梯度下降算法，以及基于TensorFlow基础框架的深度学习和强化学习等相关知识。
　　《机器学习与Python实践》在内容上尽可能涵盖机器学习、深度学习和强化学习的经典算法（如卷积神经网络、循环神经网络、迁移学习等）并清晰地阐释它们的原理，《机器学习与Python实践》还对多个常见的经典数据集进行了算法模型的实践，如基于MNIST手写体图片和Iris Flowers Dataset鸢尾花数据集的识别、基于NLP数据集的文本分析以及基于OpenAIGym环境的AGV多智能体路径优化等。
　查看完整　　

　　第1章 机器学习简介
　　1．1 人工智能、机器学习与深度学习
　　1．2 机器学习概述
　　1．2．1 有监督学习
　　1．2．2 无监督学习
　　1．2．3 有监督学习与无监督学习的区别
　　1．2．4 深度学习
　　1．2．5 强化学习
　　1．3 机器学习的具体过程
　　1．3．1 数据采集和标记
　　1．3．2 数据预处理
　　1．3．3 特征工程及特征选择
　　1．3．4 模型选择
　　1．3．5 模型训练和测试
　　1．3．6 模型性能评估、使用和优化
　　1．4 机器学习的重要元素
　　1．4．1 欠拟合和过拟合
　　1．4．2 模型性能评估指标
　　1．4．3 模型评价ROC曲线与AUC值
　　1．5 机器学习的开发环境
　　1．5．1 Jupyter的安装与使用
　　1．5．2 Anaconda 3的安装搭建
　　1．5．3 Python的PyCharm集成开发环境
　　本章小结
　　习题
　　第2章 机器学习的Python基础库
　　2．1 NumPy
　　2．1．1 ndarray的数据类型
　　2．1．2 数组和标量之间的运算
　　2．1．3 索引和切片
　　2．1．4 数组转置和轴对换
　　2．1．5 利用数组进行数据处理
　　2．1．6 数学和统计方法
　　2．2 Pandas
　　2．2．1 Pandas数据结构
　　2．2．2 Pandas文件操作
　　2．2．3 数据处理
　　2．2．4 层次化索引
　　2．2．5 分级顺序
　　2．2．6 使用DataFrame的列
　　2．3 Matplotlib
　　2．3．1 Figure和Subplot
　　2．3．2 调整subplot周围的间距
　　2．3．3 颜色、标记和线型
　　2．3．4 刻度标签和图例
　　2．3．5 添加图例
　　2．3．6 将图表保存到文件
　　2．4 Scikit-Iearn
　　2．5 TensorFlow
　　本章小结
　　习题
　　第3章 数据的特征工程
　　3．1 特征工程
　　3．1．1 特征工程的定义
　　3．1．2 特征工程的处理过程
　　3．1．3 特征工程的重要性
　　3．2 数据预处理
　　3．2．1 创建训练集和测试集
　　3．2．2 数据正则化、标准化与归一化
　　3．3 特征选择
　　3．3．1 方差选择法
　　3．3．2 递归消除特征法
　　3．3．3 带惩罚项的特征选择法
　　3．4 数据降维
　　3．4．1 主成分分析法
　　3．4．2 线性判别分析法
　　3．4．3 非线性降维
　　本章小结
　　习题
　　第4章 无监督学习
　　4．1 K-Means算法
　　4．1．1 K-Means算法原理
　　4．1．2 K-Means算法流程
　　4．1．3 K-Means存在的问题
　　4．1．4 K-Means优化（K-Means 算法）
　　4．1．5 K-Means算法实现
　　4．1．6 K-Means算法实例应用
　　4．2 Mean Shift算法
　　4．2．1 核密度估计
　　4．2．2 Mean Shift算法的基本形式
　　4．2．3 Mean Shift算法的基本流程
　　4．2．4 Mean Shift算法实现
　　4．2．5 Mean Shift算法实例应用
　　4．3 DBSCAN聚类算法
　　4．3．1 DBSCAN聚类定义
　　4．3．2 DBSCAN聚类算法
　　4．3．3 DBSCAN算法实现
　　4．3．4 DBSCAN算法实例应用
　　本章小结
　　习题
　　第5章 决策树
　　5．1 决策树简介
　　5．2 决策树构造
　　5．2．1 信息增益
　　5．2．2 信息增益率
　　5．2．3 基尼系数
　　5．2．4 递归构造决策树
　　5．3 决策树剪枝
　　5．4 实例：应用决策树预测鸢尾花分类
　　5．4．1 鸢尾花数据集简介
　　5．4．2 数据集分析与可视化
　　5．4．3 实现决策树分类
　　5．4．4 决策树存储
　　5．4．5 决策树模型分析
　　5．4．6 K折交叉验证
　　5．5 随机森林
　　5．5．1 随机森林简介
　　5．5．2 随机森林构造
　　5．5．3 袋外错误率
　　5．6 实例：随机森林实现鸢尾花分类
　　5．7 决策树与随机森林的优缺点
　　本章小结
　　习题
　　……
　　第6章 朴素贝叶斯
　　第7章 关联分析
　　第8章 回归
　　第9章 人工神经网络
　　第10章 TensorFlow深度学习框架
　　第11章 卷积神经网络
　　第12章 循环神经网络
　　第13章 强化学习
　　参考文献
^ 收 起　　

　　人工智能是近年来全球非常火热的研究领域之一，随着机器学习、深度学习和强化学习研究的突破，人工智能技术已被应用到图像识别、机器翻译、语音助手和自动驾驶等方面。为了使读者能够深刻理解人工智能的技术，《机器学习与Python实践》基于Python的Scikit Learn库介绍了机器学习的基础知识，如分类、回归、反向传播算法和梯度下降算法，以及基于TensorFlow基础框架的深度学习和强化学习等相关知识。
　　《机器学习与Python实践》在内容上尽可能涵盖机器学习、深度学习和强化学习的经典算法（如卷积神经网络、循环神经网络、迁移学习等）并清晰地阐释它们的原理，《机器学习与Python实践》还对多个常见的经典数据集进行了算法模型的实践，如基于MNIST手写体图片和Iris Flowers Dataset鸢尾花数据集的识别、基于NLP数据集的文本分析以及基于OpenAIGym环境的AGV多智能体路径优化等。
　　《机器学习与Python实践》可作为高等院校计算机科学与技术、信息管理与信息系统等专业的本科生与研究生教材，也适合对机器学习知识感兴趣的学者、研究人员和从业人员使用。
^ 收 起