Python機(jī)器學(xué)習(xí)：原理、算法及案例實(shí)戰(zhàn)（微課視頻版）

目錄



第一部分入門篇
第1章機(jī)器學(xué)習(xí)概述3
1.1人工智能簡(jiǎn)介4
1.1.1什么是人工智能4
1.1.2人工智能史上的三次浪潮4
1.1.3人工智能的研究領(lǐng)域8
1.2機(jī)器學(xué)習(xí)的主要工作17
1.3機(jī)器學(xué)習(xí)開發(fā)環(huán)境19
習(xí)題25
第2章Python數(shù)據(jù)處理基礎(chǔ)27
2.1Python程序開發(fā)技術(shù)27
2.2基本數(shù)據(jù)類型29
2.3數(shù)據(jù)文件讀寫37
2.3.1打開與關(guān)閉文件37
2.3.2讀取文件內(nèi)容38
2.3.3將數(shù)據(jù)寫入文件39
2.3.4Pandas存取文件40
2.3.5NumPy存取文件42
習(xí)題43
第二部分基礎(chǔ)篇
第3章Python常用機(jī)器學(xué)習(xí)庫47
3.1NumPy47
3.1.1ndarray對(duì)象48
3.1.2NumPy數(shù)據(jù)類型49
3.1.3NumPy數(shù)組屬性53
3.1.4其他創(chuàng)建數(shù)組的方式55
3.1.5切片、迭代和索引59
3.1.6NumPy計(jì)算62
3.2Pandas64
3.2.1Series數(shù)據(jù)結(jié)構(gòu)64
3.2.2DataFrame對(duì)象67
3.2.3數(shù)據(jù)對(duì)齊75
3.3Matplotlib78
3.4OpenCV91
3.5Scikit learn96
3.5.1SKlearn簡(jiǎn)介96
3.5.2SKlearn的一般步驟97
3.6其他常用模塊99
3.6.1WordCloud制作詞云99
3.6.2Jieba中文分詞101
3.6.3PIL105
習(xí)題112
第4章機(jī)器學(xué)習(xí)基礎(chǔ)114
4.1機(jī)器學(xué)習(xí)模型115
4.1.1線性模型與非線性模型115
4.1.2淺層模型與深度模型115
4.1.3單一模型與集成模型116
4.1.4監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)116
4.2機(jī)器學(xué)習(xí)算法的選擇120
4.2.1模型的確定121
4.2.2性能評(píng)估127
4.3Python機(jī)器學(xué)習(xí)利器SKlearn129
4.3.1SKlearn數(shù)據(jù)預(yù)處理129
4.3.2SKlearn模型選擇與算法評(píng)價(jià)132
習(xí)題134
第三部分實(shí)戰(zhàn)篇
第5章KNN分類算法139
5.1KNN分類139
5.2初識(shí)KNN——鳶尾花分類142
5.3KNN手寫數(shù)字識(shí)別147
實(shí)驗(yàn)150
第6章KMeans聚類算法153
6.1KMeans聚類算法概述153
6.1.1聚類154
6.1.2KMeans聚類154
6.1.3聚類算法的性能評(píng)估155
6.2使用KMeans實(shí)現(xiàn)數(shù)據(jù)聚類156
6.2.1使用SKlearn實(shí)現(xiàn)KMeans聚類156
6.2.2Python實(shí)現(xiàn)KMeans聚類159
6.3KMeans算法存在的問題161
6.3.1KMeans算法的不足161
6.3.2科學(xué)確定k值163
6.3.3使用后處理提高聚類效果164
實(shí)驗(yàn)164
第7章推薦算法172
7.1推薦系統(tǒng)172
7.1.1推薦算法概述173
7.1.2推薦系統(tǒng)的評(píng)價(jià)指標(biāo)175
7.1.3推薦系統(tǒng)面臨的挑戰(zhàn)177
7.1.4常見的推薦算法178
7.2協(xié)同過濾推薦算法178
7.2.1基于用戶的協(xié)同過濾算法178
7.2.2基于內(nèi)容的推薦算法183
7.2.3基于圖結(jié)構(gòu)的推薦算法185
7.2.4其他推薦算法185
7.3基于內(nèi)容的推薦算法案例186
7.4協(xié)同過濾算法實(shí)現(xiàn)電影推薦188
實(shí)驗(yàn)195
第8章回歸算法196
8.1線性回歸197
8.1.1一元線性回歸197
8.1.2多元線性回歸200
8.2邏輯回歸201
8.2.1線性回歸存在的問題202
8.2.2邏輯函數(shù)Sigmoid203
8.2.3邏輯回歸的概念204
8.2.4線性回歸與邏輯回歸的區(qū)別205
8.2.5邏輯回歸參數(shù)的確定205
8.3回歸分析綜合案例208
8.3.1信用卡逾期情況預(yù)測(cè)案例208
8.3.2使用邏輯回歸實(shí)現(xiàn)鳶尾花分類預(yù)測(cè)案例211
實(shí)驗(yàn)213
第9章支持向量機(jī)216
9.1支持向量機(jī)的概念216
9.1.1線性判別分析217
9.1.2間隔與支持向量218
9.1.3超平面219
9.1.4感知器220
9.2支持向量機(jī)的參數(shù)226
9.2.1優(yōu)化求解226
9.2.2核函數(shù)226
9.2.3SVM應(yīng)用案例226
實(shí)驗(yàn)231
第10章神經(jīng)網(wǎng)絡(luò)237
10.1神經(jīng)網(wǎng)絡(luò)的基本原理237
10.1.1人工神經(jīng)網(wǎng)絡(luò)237
10.1.2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)239
10.2多層神經(jīng)網(wǎng)絡(luò)240
10.2.1多隱藏層240
10.2.2激活函數(shù)242
10.3BP神經(jīng)網(wǎng)絡(luò)244
實(shí)驗(yàn)251
第11章深度學(xué)習(xí)256
11.1深度學(xué)習(xí)概述257
11.1.1深度學(xué)習(xí)的產(chǎn)生257
11.1.2深度學(xué)習(xí)的發(fā)展259
11.2卷積神經(jīng)網(wǎng)絡(luò)260
11.2.1卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)科學(xué)基礎(chǔ)260
11.2.2卷積操作260
11.2.3池化操作263
11.2.4卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)265
11.2.5卷積神經(jīng)網(wǎng)絡(luò)模型265
11.3循環(huán)神經(jīng)網(wǎng)絡(luò)270
11.4常見的深度學(xué)習(xí)開源框架和平臺(tái)271
11.5TensorFlow學(xué)習(xí)框架272
11.6Keras深度學(xué)習(xí)框架280
11.6.1Keras基礎(chǔ)280
11.6.2Keras綜合實(shí)例280
習(xí)題286