機(jī)器學(xué)習(xí)：原理、算法與Python實(shí)戰(zhàn)（微課視頻版）

隨書(shū)資源


第1章機(jī)器學(xué)習(xí)基礎(chǔ)

1.1機(jī)器學(xué)習(xí)

1.1.1什么是機(jī)器學(xué)習(xí)

1.1.2從數(shù)據(jù)中學(xué)習(xí)

1.1.3機(jī)器學(xué)習(xí)能夠解決的問(wèn)題

1.2機(jī)器學(xué)習(xí)的分類(lèi)

1.2.1學(xué)習(xí)方式

1.2.2算法的分類(lèi)

1.3機(jī)器學(xué)習(xí)的范圍

1.4編程語(yǔ)言與開(kāi)發(fā)環(huán)境

1.4.1選擇Python的原因

1.4.2安裝開(kāi)發(fā)環(huán)境

1.4.3Scikitlearn

1.5第一個(gè)機(jī)器學(xué)習(xí)應(yīng)用： 鳶尾花分類(lèi)

1.5.1特征數(shù)據(jù)與標(biāo)簽數(shù)據(jù)

1.5.2訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)

1.5.3構(gòu)建機(jī)器學(xué)習(xí)模型

1.5.4預(yù)測(cè)與評(píng)估

1.6本章小結(jié)

習(xí)題

第2章監(jiān)督學(xué)習(xí)

2.1監(jiān)督學(xué)習(xí)概念與術(shù)語(yǔ)

2.1.1監(jiān)督學(xué)習(xí)工作原理

2.1.2分類(lèi)與回歸

2.1.3泛化

2.1.4欠擬合

2.1.5過(guò)擬合

2.1.6不收斂

2.2K近鄰算法

2.2.1K近鄰分類(lèi)

2.2.2K近鄰回歸

2.3樸素貝葉斯

2.3.1貝葉斯定理

2.3.2樸素貝葉斯算法步驟

2.3.3在Scikitlearn中使用貝葉斯分類(lèi)

2.4決策樹(shù)

2.4.1決策樹(shù)的基本思想

2.4.2決策樹(shù)學(xué)習(xí)算法

2.4.3構(gòu)造決策樹(shù)

2.4.4決策樹(shù)的優(yōu)化與可視化

2.4.5決策樹(shù)回歸

2.5線(xiàn)性模型

2.5.1線(xiàn)性回歸

2.5.2嶺回歸與Lasso回歸

2.5.3多項(xiàng)式回歸

2.5.4線(xiàn)性分類(lèi)模型

2.6邏輯回歸

2.6.1邏輯回歸模型介紹

2.6.2邏輯回歸算法實(shí)現(xiàn)







2.7支持向量機(jī)

2.7.1支持向量

2.7.2線(xiàn)性SVM分類(lèi)

2.7.3核技巧

2.7.4SVM回歸

2.7.5Scikitlearn SVM參數(shù)

2.8集成學(xué)習(xí)方法

2.8.1集成學(xué)習(xí)

2.8.2Bagging和Pasting

2.8.3隨機(jī)森林

2.8.4提升法

2.9人工神經(jīng)網(wǎng)絡(luò)

2.9.1從生物神經(jīng)元到人工神經(jīng)元

2.9.2感知器學(xué)習(xí)

2.9.3神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程

2.9.4神經(jīng)網(wǎng)絡(luò)應(yīng)用案例

2.10分類(lèi)器的不確定度估計(jì)

2.10.1決策函數(shù)

2.10.2預(yù)測(cè)概率

2.11本章小結(jié)

習(xí)題

第3章無(wú)監(jiān)督學(xué)習(xí)與數(shù)據(jù)預(yù)處理

3.1無(wú)監(jiān)督學(xué)習(xí)

3.1.1無(wú)監(jiān)督學(xué)習(xí)的類(lèi)型

3.1.2無(wú)監(jiān)督學(xué)習(xí)的挑戰(zhàn)

3.2數(shù)據(jù)預(yù)處理

3.2.1數(shù)據(jù)清洗

3.2.2數(shù)據(jù)變換

3.2.3數(shù)據(jù)集成

3.2.4數(shù)據(jù)規(guī)約

3.3降維

3.3.1數(shù)據(jù)壓縮

3.3.2數(shù)據(jù)可視化

3.3.3降維的主要方法

3.3.4PCA

3.3.5利用PCA實(shí)現(xiàn)半導(dǎo)體制造數(shù)據(jù)降維

3.4聚類(lèi)

3.4.1KMeans聚類(lèi)

3.4.2均值偏移聚類(lèi)

3.4.3DBSCAN

3.4.4高斯混合模型的期望最大化(EM)聚類(lèi)

3.4.5層次聚類(lèi)

3.5本章小結(jié)

習(xí)題

第4章特征工程

4.1特征理解

4.2特征增強(qiáng)

4.2.1EDA

4.2.2處理數(shù)據(jù)缺失

4.2.3標(biāo)準(zhǔn)化和歸一化

4.3特征構(gòu)建

4.3.1特征構(gòu)建的基礎(chǔ)操作

4.3.2特征構(gòu)建的數(shù)值變量擴(kuò)展

4.3.3文本變量處理

4.4特征選擇

4.4.1單變量特征選擇

4.4.2模型特征選擇

4.4.3迭代特征選擇

4.5特征轉(zhuǎn)換

4.5.1PCA

4.5.2LDA

4.6特征學(xué)習(xí)

4.6.1數(shù)據(jù)的參數(shù)假設(shè)

4.6.2受限玻爾茲曼機(jī)(RBM)

4.6.3詞嵌入

4.7本章小結(jié)

習(xí)題

第5章模型評(píng)估與優(yōu)化

5.1算法鏈與管道

5.1.1用管道方法簡(jiǎn)化工作流

5.1.2通用的管道接口

5.2交叉驗(yàn)證

5.2.1K折交叉驗(yàn)證

5.2.2分層K折交叉驗(yàn)證

5.3模型評(píng)價(jià)指標(biāo)

5.3.1誤分類(lèi)的不同影響

5.3.2混淆矩陣

5.3.3分類(lèi)的不確定性

5.3.4準(zhǔn)確率召回率曲線(xiàn)

5.3.5受試者工作特征（ROC）與AUC

5.3.6多分類(lèi)指標(biāo)

5.3.7回歸指標(biāo)

5.3.8在模型選擇中使用評(píng)估指標(biāo)

5.4處理類(lèi)的不平衡問(wèn)題

5.4.1類(lèi)別不平衡問(wèn)題

5.4.2解決類(lèi)別不平衡問(wèn)題

5.5網(wǎng)格搜索優(yōu)化模型

5.5.1簡(jiǎn)單網(wǎng)格搜索選擇超參數(shù)

5.5.2驗(yàn)證集用于選擇超參數(shù)

5.5.3帶交叉驗(yàn)證的網(wǎng)格搜索

5.6本章小結(jié)

習(xí)題

第6章機(jī)器學(xué)習(xí)應(yīng)用案例

6.1電影推薦系統(tǒng)

6.1.1推薦系統(tǒng)基礎(chǔ)

6.1.2推薦引擎算法

6.1.3相似度指標(biāo)

6.1.4電影推薦系統(tǒng)實(shí)戰(zhàn)

6.2情感分析系統(tǒng)

6.2.1情感分析概述

6.2.2導(dǎo)入數(shù)據(jù)集

6.2.3詞袋模型

6.2.4TFIDF

6.2.5數(shù)據(jù)預(yù)處理

6.2.6訓(xùn)練模型

6.2.7模型評(píng)估及調(diào)優(yōu)

6.3房?jī)r(jià)預(yù)測(cè)系統(tǒng)

6.3.1案例背景

6.3.2數(shù)據(jù)處理及可視化分析

6.3.3訓(xùn)練模型

6.3.4模型評(píng)估

6.3.5模型調(diào)優(yōu)

6.4人臉識(shí)別

6.4.1概述

6.4.2加載數(shù)據(jù)集

6.4.3訓(xùn)練模型

6.4.4測(cè)試模型

6.4.5PCA主成分分析

6.4.6模型調(diào)優(yōu)

6.5本章小結(jié)

習(xí)題