第1章 机器学习简介

1.1 机器学习的任务

1.2 机器学习的三种方式

1.3 机器学习系统的建立

1.4 机器学习实例

第2章 Python常用库介绍

2.1 Python的安装（Anaconda）

2.1.1 Spyder

2.1.2 Jupyter Notebook

2.2 Python常用库

2.2.1 Numpy库

2.2.2 Pandas库

2.2.3 Matplotlib库

2.2.4 Statsmodels库

2.2.5 Scikit-learn库

2.3 其他Python常用的数据库

2.4 Python各种库在机器学习中的应用

第3章 数据的准备和探索

3.1 数据预处理

3.2 数据假设检验

3.3 数据间的关系

3.4 数据可视化

3.5 特征提取和降维

第4章 模型训练和评估

4.1 模型训练技巧

4.2 分类效果的评价

4.3 回归模型评价

4.4 聚类分析评估

第5章 回归分析

5.1 回归分析简介

5.2 多元线性回归分析

5.2.1 多元线性回归

5.2.2 逐步回归

5.3 Lasso回归分析

5.4 Logistic回归分析

5.5 时间序列预测

第6章 关联规则

6.1 关联规则简介

6.2 使用关联规则找到问卷的规则

6.3 关联规则可视化

第7章 无监督学习

7.1 无监督学习介绍

7.2 系统聚类

7.3 K-均值聚类

7.4 密度聚类

7.5 Mean Shift聚类

7.6 字典学习图像去噪

第8章 文本LDA模型

8.1 文本分析简介

8.2 中文分词

8.3 LDA主题模型分析《红楼梦》

8.4 红楼梦人物关系

第9章 决策树和集成学习

9.1 模型简介

9.2 泰坦尼克号数据预处理

9.3 决策树模型

9.4 决策树剪枝

9.5 随机森林模型

9.6 AdaBoost模型

第10章 朴素贝叶斯和K近邻分类

10.1 模型简介

10.2 垃圾邮件数据预处理

10.3 贝叶斯模型识别垃圾邮件

10.4 基于异常值检测的垃圾邮件查找

10.4.1 PCA异常值检测

10.4.2 Isolation Forest异常值检测

10.5 数据不平衡问题的处理

10.6 K近邻分类

第11章 支持向量机和神经网络

11.1 模型简介

11.2 肺癌数据可视化

11.3 支持向量机模型

11.4 全连接神经网络

第12章 深度学习入门

12.1 深度学习介绍

12.2 卷积和池化

12.3 CNN人脸识别

12.4 CNN人脸检测

12.5 深度卷积图像去噪

12.5.1 空洞卷积

12.5.2 图像与图像块的相互转换

12.5.3 一种深度学习去噪方法