第一部分 准备篇

第1章 机器学习发展及应用前景

1.1 机器学习概述

1.1.1 什么是机器学习

1.1.2 机器学习的发展

1.1.3 机器学习的未来

1.2 机器学习应用前景

1.2.1 数据分析与挖掘

1.2.2 模式识别

1.2.3 更广阔的领域

1.3 小结

第2章 科学计算平台

2.1 科学计算软件平台概述

2.1.1 常用的科学计算软件

2.1.2 本书使用的工程计算平台

2.2 计算平台的配置

2.2.1 Numpy等Python科学计算包的安装与配置

2.2.2 OpenCV安装与配置

2.2.3 mlpy安装与配置

2.2.4 BeautifulSoup安装与配置

2.2.5 Neurolab安装与配置

2.2.6 R安装与配置

2.3 小结

第二部分 基础篇

第3章 计算平台应用实例

3.1 Python计算平台简介及应用实例

3.1.1 Python语言基础

3.1.2 Numpy库

3.1.3 pylab、matplotlib绘图

3.1.4 图像基础

3.1.5 图像融合与图像镜像

3.1.6 图像灰度化与图像加噪

3.1.7 声音基础

3.1.8 声音音量调节

3.1.9 图像信息隐藏

3.1.10 声音信息隐藏

3.2 R语言基础

3.2.1 基本操作

3.2.2 向量

3.2.3 对象集属性

3.2.4 因子和有序因子

3.2.5 循环语句

3.2.6 条件语句

3.3 R语言科学计算

3.3.1 分类（组）统计

3.3.2 数组与矩阵基础

3.3.3 数组运算

3.3.4 矩阵运算

3.4 R语言计算实例

3.4.1 学生数据集读写

3.4.2 最小二乘法拟合

3.4.3 交叉因子频率分析

3.4.4 向量模长计算

3.4.5 欧氏距离计算

3.5 小结

思考题

第4章 生产环境基础

4.1 Windows Server 2008基础

4.1.1 Windows Server 2008 R2概述

4.1.2 Windows PowerShell

4.2 Linux基础

4.2.1 Linux命令

4.2.2 Shell基础

4.3 Vim编辑器

4.3.1 Vim编辑器概述

4.3.2 Vim常用命令

4.4 虚拟化平台

4.4.1 Citrix Xenserver概述

4.4.2 Citrix Xenserver部署

4.4.3 基于XenCenter的虚拟服务器管理

4.5 Linux环境下的NumPy安装

4.6 Linux环境下的R运行环境

4.7 PyPy编译器

4.7.1 PyPy概述

4.7.2 PyPy安装与配置

4.7.3 PyPy性能

4.7.4 PyPy实践之Lempel-Ziv压缩

4.8 小结

思考题

第三部分 统计分析实战篇

第5章 统计分析基础

5.1 数据分析概述

5.2 数学基础

5.3 回归分析

5.3.1 单变量线性回归

5.3.2 多元线性回归

5.3.3 非线性回归

5.4 数据分析基础

5.4.1 区间频率分布

5.4.2 数据直方图

5.4.3 数据散点图

5.4.4 五分位数

5.4.5 累积分布函数

5.4.6 核密度估计

5.5 数据分布分析

5.6 小结

思考题

第6章 描述性分析案例

6.1 数据图形化案例解析

6.1.1 点图

6.1.2 饼图和条形图

6.1.3 茎叶图和箱线图

6.2 数据分布趋势案例解析

6.2.1 平均值

6.2.2 加权平均值

6.2.3 数据排序

6.2.4 中位数

6.2.5 极差、半极差

6.2.6 方差

6.2.7 标准差

6.2.8 变异系数、样本平方和

6.2.9 偏度系数、峰度系数

6.3 正态分布案例解析

6.3.1 正态分布函数

6.3.2 峰度系数分析

6.3.3 累积分布概率

6.3.4 概率密度函数

6.3.5 分位点

6.3.6 频率直方图

6.3.7 核概率密度与正态概率分布图

6.3.8 正态检验与分布拟合

6.3.9 其他分布及其拟合

6.4 多变量分析

6.4.1 多变量数据分析

6.4.2 多元数据相关性分析

6.5 小结

思考题

第7章 假设检验与回归模型案例

7.1 假设检验

7.1.1 二项分布假设检验

7.1.2 数据分布检验

7.1.3 正态总体均值检验

7.1.4 列联表

7.1.5 符号检测

7.1.6 秩相关检验

7.1.7 Kendall相关检验

7.2 回归模型

7.2.1 回归预测与显著性检验

7.2.2 回归诊断

7.2.3 回归优化

7.2.4 主成分回归

7.2.5 广义线性模型

7.3 小结

思考题

第四部分 机器学习实战篇

第8章 机器学习算法

8.1 神经网络

8.1.1 Rosenblatt感知器

8.1.2 梯度下降

8.1.3 反向传播与多层感知器

8.1.4 Python神经网络库

8.2 统计算法

8.2.1 平均值

8.2.2 方差与标准差

8.2.3 贝叶斯算法

8.3 欧氏距离

8.4 余弦相似度

8.5 SVM

8.5.1 数学原理

8.5.2 SMO算法

8.5.3 算法应用

8.6 回归算法

8.6.1 线性代数基础

8.6.2 最小二乘法原理

8.6.3 线性回归

8.6.4 多元非线性回归

8.6.5 岭回归方法

8.6.6 伪逆方法

8.7 PCA降维

8.8 关联规则

8.8.1 关联规则概述

8.8.2 频繁项集算法

8.8.3 关联规则生成

8.8.4 实例分析

8.9 自动分类

8.9.1 聚类算法

8.9.2 决策树

8.9.3 AdaBoost

8.9.4 竞争型神经网络

8.9.5 Hamming神经网络

8.10 小结

思考题

第9章 数据拟合案例

9.1 数据拟合

9.1.1 图像分析法

9.1.2 神经网络拟合法

9.2 线性滤波

9.2.1 WAV声音文件

9.2.2 线性滤波算法过程

9.2 3滤波Python实现

9.3 数据或曲线平滑

9.3.1 平滑概述

9.3.2 移动平均

9.3.3 递归线性过滤

9.3.4 指数平滑

9.4 小结

思考题

第10章 图像算法案例

10.1 图像边缘算法

10.1.1 数字图像基础

10.1.2 算法描述

10.2 图像匹配

10.2.1 差分矩阵求和

10.2.2 差分矩阵均值

10.2.3 欧氏距离匹配

10.3 图像分类

10.3.1 余弦相似度

10.3.2 PCA图像特征提取算法

10.3.3 基于神经网络的图像分类

10.3.4 基于SVM的图像分类

10.4 高斯噪声生成

10.5 二值化

10.5.1 threshold

10.5.2 adaptiveThreshold

10.6 插值与缩放

10.7 仿射

10.7.1 仿射原理

10.7.2 仿射变换实例

10.8 透视投影与透视变换

10.8.1 透视投影原理

10.8.2 透视投影实例

10.9 灰度变换与图像增强

10.9.1 灰度变换概述

10.9.2 对数变换

10.9.3 分段线性变换

10.9.4 指数变换

10.9.5 直方图均衡化

10.10 图像滤波与除噪

10.10.1 均一化块滤波

10.10.2 邻域平均法

10.10.3 中值滤波

10.10.4 高斯滤波

10.10.5 双边滤波

10.10.6 卷积滤波

10.10.7 边缘检测

10.11 小结

思考题

第11章 机器视觉案例

11.1 人脸辨识

11.1.1 人脸定位

11.1.2 人脸辨识

11.2 手写数字识别

11.2.1 手写数字识别算法

11.2.2 算法的Python实现

11.3 运动侦测

11.3.1 视频采集

11.3.2 差分算法

11.3.3 光流法

11.4 形状检测

11.4.1 KNN算法概述

11.4.2 形状特征提取

11.4.3 形状分类

11.5 小结

思考题

第12章 文本分类案例

12.1 文本分类概述

12.2 余弦相似度分类

12.2.1 中文分词

12.2.2 停用词清理

12.2.3 算法实战

12.3 朴素贝叶斯分类

12.3.1 算法描述

12.3.2 先验概率计算

12.3.3 最大后验概率

12.3.4 算法实现

12.4 自然语言处理

12.4.1 NLTK简介

12.4.2 NLTK与jieba的配置

12.4.3 中文分词并标注词性

12.4.4 词特征指标分析

12.4.5 Web文档分析

12.4.6 Web文档的朴素贝叶斯分类

12.4.7 语法结构分析

12.4.8 Web文档聚类

12.5 小结

思考题