更新时间：2022-07-29 15:24:14
封面
版权信息
内容简介
作者简介
前言
人工智能，火了
置身事外，还是投身其中
前途光明，马上开始
本书内容及体系结构
本书特色
本书读者对象
第1章 概述
1.1 什么是机器学习——从一个小故事开始
1.2 机器学习的一些应用场景——蝙蝠公司的业务单元
1.3 机器学习应该如何入门——世上无难事
1.4 有监督学习与无监督学习
1.5 机器学习中的分类与回归
1.6 模型的泛化、过拟合与欠拟合
1.7 小结
第2章 基于Python语言的环境配置
2.1 Python的下载和安装
2.2 Jupyter Notebook的安装与使用方法
2.2.1 使用pip进行Jupyter Notebook的下载和安装
2.2.2 运行Jupyter Notebook
2.2.3 Jupyter Notebook的使用方法
2.3 一些必需库的安装及功能简介
2.3.1 Numpy——基础科学计算库
2.3.2 Scipy——强大的科学计算工具集
2.3.3 pandas——数据分析的利器
2.3.4 matplotlib——画出优美的图形
2.4 scikit-learn——非常流行的Python机器学习库
2.5 小结
第3章 K最近邻算法——近朱者赤，近墨者黑
3.1 K最近邻算法的原理
3.2 K最近邻算法的用法
3.2.1 K最近邻算法在分类任务中的应用
3.2.2 K最近邻算法处理多元分类任务
3.2.3 K最近邻算法用于回归分析
3.3 K最近邻算法项目实战——酒的分类
3.3.1 对数据集进行分析
3.3.2 生成训练数据集和测试数据集
3.3.3 使用K最近邻算法进行建模
3.3.4 使用模型对新样本的分类进行预测
3.4 小结
第4章 广义线性模型——“耿直”的算法模型
4.1 线性模型的基本概念
4.1.1 线性模型的一般公式
4.1.2 线性模型的图形表示
4.1.3 线性模型的特点
4.2 最基本的线性模型——线性回归
4.2.1 线性回归的基本原理
4.2.2 线性回归的性能表现
4.3 使用L2正则化的线性模型——岭回归
4.3.1 岭回归的原理
4.3.2 岭回归的参数调节
4.4 使用L1正则化的线性模型——套索回归
4.4.1 套索回归的原理
4.4.2 套索回归的参数调节
4.4.3 套索回归与岭回归的对比
4.5 小结
第5章 朴素贝叶斯——打雷啦，收衣服啊
5.1 朴素贝叶斯基本概念
5.1.1 贝叶斯定理
5.1.2 朴素贝叶斯的简单应用
5.2 朴素贝叶斯算法的不同方法
5.2.1 贝努利朴素贝叶斯
5.2.2 高斯朴素贝叶斯
5.2.3 多项式朴素贝叶斯
5.3 朴素贝叶斯实战——判断肿瘤是良性还是恶性
5.3.1 对数据集进行分析
5.3.2 使用高斯朴素贝叶斯进行建模
5.3.3 高斯朴素贝叶斯的学习曲线
5.4 小结
第6章 决策树与随机森林——会玩读心术的算法
6.1 决策树
6.1.1 决策树基本原理
6.1.2 决策树的构建
6.1.3 决策树的优势和不足
6.2 随机森林
6.2.1 随机森林的基本概念
6.2.2 随机森林的构建
6.2.3 随机森林的优势和不足
6.3 随机森林实例——要不要和相亲对象进一步发展
6.3.1 数据集的准备
6.3.2 用get_dummies处理数据
6.3.3 用决策树建模并做出预测
6.4 小结
第7章 支持向量机SVM——专治线性不可分
7.1 支持向量机SVM基本概念
7.1.1 支持向量机SVM的原理
7.1.2 支持向量机SVM的核函数
7.2 SVM的核函数与参数选择
7.2.1 不同核函数的SVM对比
7.2.2 支持向量机的gamma参数调节
7.2.3 SVM算法的优势与不足
7.3 SVM实例——波士顿房价回归分析
7.3.1 初步了解数据集
7.3.2 使用SVR进行建模
7.4 小结
第8章 神经网络——曾入“冷宫”，如今得宠
