第1章 机器学习基础

1.1 机器学习概述

1.2 机器学习的发展历程

1.3 机器学习分类

1.3.1 监督学习

1.3.2 无监督学习

1.3.3 强化学习

1.3.4 深度学习

1.4 机器学习的应用

1.5 开发机器学习的步骤

1.6 Python语言的优势

1.6.1 可执行伪代码

1.6.2 Python语言使用广泛

1.6.3 Python语言特色

1.6.4 Python语言的缺点

1.7 Python开发工具介绍

1.7.1 IDLE简介

1.7.2 IPython简介

1.7.3 PyCharm简介

1.7.4 Jupyter Notebook简介

1.7.5 Anaconda和Spyder简介

1.8 本章小结

第2章 Python语言简介

2.1 搭建Python开发环境

2.1.1 安装Anaconda

2.1.2 安装Spyder

2.1.3 运行和保存Python程序

2.2 Python计算与变量

2.2.1 用Python做简单的计算

2.2.2 Python的运算符

2.2.3 Python的变量

2.3 Python的字符串

2.4 Python的列表

2.5 Python的元组

2.6 Python的字典

2.7 网络爬虫的发展历史和分类

2.7.1 网络爬虫的发展历史

2.7.2 网络爬虫的分类

2.8 网络爬虫的原理

2.8.1 理论概述

2.8.2 爬虫的工作流程

2.9 爬虫框架介绍

2.9.1 Scrapy介绍

2.9.2 XPath介绍

2.10 网络爬虫的设计与实现

2.10.1 网络爬虫的总体设计

2.10.2 具体实现过程

2.10.3 爬虫结果与分析

2.11 本章小结

第3章 回归分析

3.1 回归分析概述

3.1.1 基本概念

3.1.2 可以解决的问题

3.1.3 回归分析的步骤

3.2 线性回归

3.2.1 简单线性回归分析

3.2.2 多元线性回归分析

3.2.3 非线性回归数据分析

3.3 用Python实现一元线性回归

3.4 用Python实现多元线性回归

3.4.1 使用pandas读取数据

3.4.2 分析数据

3.4.3 线性回归模型

3.5 基于线性回归的股票预测

3.5.1 数据获取

3.5.2 数据预处理

3.5.3 编码实现

3.5.4 结果分析

3.6 逻辑回归

3.6.1 构造预测函数

3.6.2 构造损失函数J

3.6.3 梯度下降法求解最小值

3.7 基于逻辑回归的环境数据检测

3.7.1 数据来源

3.7.2 数据处理

3.7.3 异常数据分析

3.7.4 数据预测

3.8 本章小结

第4章 决策树与随机森林

4.1 决策树

4.1.1 决策树的基本原理

4.1.2 决策树的分类

4.1.3 决策树的优缺点

4.2 使用决策树对鸢尾花分类

4.2.1 Iris数据集简介

4.2.2 读取数据

4.2.3 鸢尾花类别

4.2.4 数据可视化

4.2.5 训练和分类

4.2.6 数据集多类分类

4.2.7 实验结果

4.3 随机森林

4.3.1 随机森林的基本原理

4.3.2 随机森林的收敛性

4.3.3 随机森林的OOB估计

4.3.4 随机森林的随机特征选取

4.3.5 随机森林的优缺点

4.4 葡萄酒数据集的随机森林分类

4.4.1 数据收集

4.4.2 相关库函数简介

4.4.3 数据基本分析

4.4.4 使用随机森林构建模型

4.4.5 实验结果

4.5 本章小结

第5章 支持向量机

5.1 SVM的工作原理及分类

5.1.1 支持向量机的原理

5.1.2 线性可分的支持向量机

5.1.3 非线性可分的支持向量机

5.2 核函数

5.2.1 核函数简介

5.2.2 几种常见的核函数

5.2.3 核函数如何处理非线性数据

5.2.4 如何选择合适的核函数

5.3 SVR简介

5.3.1 SVR原理

5.3.2 SVR模型

5.4 时间序列曲线预测

5.4.1 生成训练数据集

5.4.2 运用不同的核函数进行支持向量回归

5.4.3 生成测试数据集

5.4.4 预测并生成图表

5.4.5 获取预测误差

5.4.6 创建数据集

5.4.7 选取最优参数

5.4.8 预测并生成图表

5.4.9 获取预测误差

5.5 本章小结

第6章 隐马尔可夫模型

6.1 隐马尔可夫模型简介

6.1.1 隐马尔可夫模型的概念

6.1.2 详例描述

6.1.3 HMM流程

6.2 Viterbi算法

6.3 HMM模型用于中文分词

6.3.1 UI界面

6.3.2 数据及其编码

6.3.3 HMM模型

6.3.4 实验结果

6.4 本章小结

第7章 BP神经网络模型

7.1 背景介绍

7.2 结构特点

7.3 网络模型

7.4 人工神经网络简介

7.4.1 神经元

7.4.2 单层神经网络

7.4.3 双层神经网络

7.4.4 多层神经网络

7.5 BP神经网络

7.6 通过TensorFlow实现BP神经网络

7.7 本章小结

第8章 卷积神经网络

8.1 传统图像识别技术

8.1.1 图像预处理

8.1.2 图像特征提取

8.1.3 图像分类方法

8.2 卷积神经网络结构简介

8.2.1 卷积神经网络发展历程

8.2.2 卷积神经网络结构简介

8.3 卷积神经网络的结构及原理

8.3.1 卷积层

8.3.2 池化层

8.3.3 激活函数

8.3.4 全连接层

8.3.5 反馈运算

8.4 卷积神经网络的优点

8.5 雷达剖面图识别模型

8.5.1 数据准备

8.5.2 构建模型

8.6 模型测试分析

8.6.1 部署基本模块

8.6.2 创建项目结构

8.6.3 训练网络

8.6.4 自动化测试

8.7 本章小结

第9章 循环神经网络

9.1 自然语言处理

9.1.1 自然语言处理概述

9.1.2 自然语言处理应用

9.2 对话系统

9.2.1 对话系统分类

9.2.2 聊天机器人分类

9.3 基于LSTM结构的循环神经网络

9.3.1 循环神经网络

9.3.2 通过时间反向传播

9.3.3 长短期记忆网络（LSTM）

9.4 Seq2Seq模型

9.4.1 Encoder-Decoder框架

9.4.2 Attention机制

9.5 聊天机器人的程序实现

9.5.1 准备数据

9.5.2 创建模型

9.5.3 训练模型

9.5.4 测试模型

9.6 本章小结

第10章 聚类与集成算法

10.1 聚类方法简介

10.1.1 聚类定义

10.1.2 聚类要求

10.2 聚类算法

10.2.1 划分方法

10.2.2 层次方法

10.2.3 基于密度的方法

10.2.4 基于网格的方法

10.2.5 基于模型的方法

10.3 K-Means算法

10.3.1 K-Means算法概述

10.3.2 K-Means算法流程

10.3.3 K-Means算法实现

10.3.4 实验结果及分析

10.3.5 K-Means算法存在的问题

10.4 K-Means＋＋算法

10.4.1 K-Means+++的基本思想

10.4.2 K-Means+++的数学描述

10.4.3 K-Means+++算法流程

10.5 K-Means＋＋的实现

10.5.1 数据集

10.5.2 代码实现

10.5.3 K-Means+++实验结果

10.6 Adaboost集成算法的原理

10.6.1 Boosting算法的基本原理

10.6.2 Adaboost算法介绍

10.6.3 Adaboost分类问题的损失函数优化

10.6.4 Adaboost二元分类问题的算法流程

10.6.5 Adaboost回归问题的算法流程

10.6.6 Adaboost算法的正则化

10.6.7 Adaboost的优缺点

10.7 Adaboost算法实现

10.7.1 数据集处理

10.7.2 实现过程

10.7.3 实验结果分析

10.8 本章小结

第11章 其他机器学习算法

11.1 贝叶斯分类器

11.1.1 概率基础知识

11.1.2 贝叶斯决策准则

11.1.3 极大似然估计

11.2 贝叶斯分类模型

11.2.1 朴素贝叶斯分类模型

11.2.2 半朴素贝叶斯分类模型

11.2.3 贝叶斯网络分类模型

11.3 朴素贝叶斯分类器在破产预测中的应用

11.3.1 数据集

11.3.2 训练多项式朴素贝叶斯模型

11.4 在线学习

11.4.1 线性模型的在线学习

11.4.2 非线性模型的在线学习

11.5 Bandit在线学习算法

11.5.1 Bandit算法与推荐系统

11.5.2 常用Bandit算法

11.6 Bandit算法原理及实现

11.7 GAN网络

11.7.1 GAN产生的背景

11.7.2 模型结构

11.7.3 GAN的实现原理

11.8 DCGAN网络

11.8.1 模型结构

11.8.2 反卷积

11.9 DCGAN人脸生成

11.9.1 实验准备

11.9.2 关键模块的实现

11.9.3 实验结果展示

11.10 本章小结

附录A 机器学习常见面试题

附录B 数学基础

B.1 常用符号

B.2 数学基础知识

B.2.1 线性代数

B.2.2 概率论

B.2.3 信息论

参考文献