機(jī)器學(xué)習(xí)：基于騰訊云機(jī)器學(xué)習(xí)應(yīng)用工程師認(rèn)證（TCP）

目錄


第1章人工智能與機(jī)器學(xué)習(xí)的概念1
1.1人工智能的定義1
1.2人工智能的歷史2
1.3人工智能的技術(shù)發(fā)展6
1.3.1專家系統(tǒng)6
1.3.2機(jī)器學(xué)習(xí)6
1.3.3機(jī)器視覺7
1.3.4機(jī)器人技術(shù)7
1.3.5自然語言處理7
1.3.6自動(dòng)化8
1.3.7大數(shù)據(jù)8
1.3.8語音識(shí)別技術(shù)8
1.4人工智能的應(yīng)用領(lǐng)域9
1.5機(jī)器學(xué)習(xí)概述12
1.5.1什么是機(jī)器學(xué)習(xí)12
1.5.2機(jī)器學(xué)習(xí)的發(fā)展歷程12
1.5.3機(jī)器學(xué)習(xí)的系統(tǒng)結(jié)構(gòu)14
1.5.4機(jī)器學(xué)習(xí)的分類15
1.5.5機(jī)器學(xué)習(xí)的常見算法19
1.5.6機(jī)器學(xué)習(xí)應(yīng)用場(chǎng)景21
參考文獻(xiàn)21

第2章數(shù)學(xué)基礎(chǔ)23
2.1高等數(shù)學(xué)23
2.1.1函數(shù)與極限23
2.1.2導(dǎo)數(shù)與微分28
2.1.3微分中值定理與導(dǎo)數(shù)的應(yīng)用32
2.1.4空間解析幾何和向量代數(shù)38
2.1.5多元函數(shù)微分法及其應(yīng)用42
2.2線性代數(shù)50
2.2.1矩陣及其運(yùn)算50
2.2.2矩陣的初等變換與矩陣的秩58
2.2.3向量組的線性相關(guān)性63
2.2.4相似矩陣及二次型69
2.2.5矩陣導(dǎo)數(shù)的運(yùn)算77
2.3概率論與數(shù)理統(tǒng)計(jì)78
2.3.1隨機(jī)事件及其概率78
2.3.2隨機(jī)變量及其分布84
2.3.3多維隨機(jī)變量及其分布87
2.3.4隨機(jī)變量的數(shù)字特征90
2.3.5樣本及抽樣分布93
2.3.6參數(shù)估計(jì)99
2.3.7假設(shè)檢驗(yàn)105
2.4本章小結(jié)112
參考文獻(xiàn)112

第3章編程基礎(chǔ)113
3.1Python語法113
3.1.1Python基本概述113
3.1.2Python內(nèi)置對(duì)象117
3.1.3Python運(yùn)算符和表達(dá)式125
3.1.4程序控制結(jié)構(gòu)127
3.1.5函數(shù)130
3.1.6面向?qū)ο缶幊?38
3.1.7封裝、繼承和多態(tài)141
3.1.8運(yùn)算符重載144
3.1.9字符串簡介144
3.1.10轉(zhuǎn)義字符145
3.1.11字符串格式化147
3.1.12字符串常用操作149
3.1.13正則表達(dá)式161
3.1.14文件基本操作172
3.1.15目錄操作（文件夾操作）174
3.1.16異常處理結(jié)構(gòu)178
3.1.17NumPy183
3.1.18pandas185
3.1.19matplotlib188
3.1.20Scikitlearn190
3.1.21小結(jié)193
3.2TensorFlow/PyTorch語法193
3.2.1TensorFlow193
3.2.2PyTorch197
3.2.3小結(jié)202

第4章數(shù)據(jù)結(jié)構(gòu)與算法203
4.1樹203
4.1.1基本概念203
4.1.2二叉樹的存儲(chǔ)結(jié)構(gòu)206
4.1.3二叉樹的遍歷208
4.1.4樹的存儲(chǔ)結(jié)構(gòu)210
4.1.5樹的遍歷212
4.2哈希表213
4.2.1基本概念213
4.2.2構(gòu)造哈希函數(shù)的方法214
4.2.3處理沖突的方法216
4.2.4哈希表優(yōu)點(diǎn)221
4.3排序222
4.3.1基本概念222
4.3.2簡單選擇排序223
4.3.3簡單插入排序224
4.3.4冒泡排序225
4.3.5快速排序226
4.3.6歸并排序228
4.4搜索230
4.4.1基本概念230
4.4.2順序搜索231
4.4.3折半搜索232
4.4.4二叉搜索樹234
4.5字符串237
4.5.1基本概念237
4.5.2字符串的存儲(chǔ)結(jié)構(gòu)238
4.5.3正則表達(dá)式238
4.6動(dòng)態(tài)規(guī)劃242
4.6.1最優(yōu)化問題242
4.6.2動(dòng)態(tài)規(guī)劃的應(yīng)用場(chǎng)景244
4.6.3動(dòng)態(tài)規(guī)劃算法思路245
4.6.4應(yīng)用實(shí)例246
4.7小結(jié)250

第5章機(jī)器學(xué)習(xí)算法251
5.1機(jī)器學(xué)習(xí)的基本概念251
5.1.1算法分類251
5.1.2模型評(píng)價(jià)指標(biāo)252
5.1.3模型選擇及求解問題253
5.2分類255
5.2.1k近鄰算法255
5.2.2決策樹算法257
5.2.3貝葉斯分類器262
5.2.4logistic回歸算法266
5.2.5支持向量機(jī)算法269
5.2.6隨機(jī)森林算法277
5.3回歸280
5.3.1線性回歸算法280
5.3.2決策樹回歸算法285
5.4無監(jiān)督算法287
5.4.1聚類算法288
5.4.2維歸約技術(shù)295
5.5關(guān)聯(lián)分析300
5.5.1Apriori算法302
5.5.2頻繁模式樹算法302
5.6其他機(jī)器學(xué)習(xí)方法305
5.6.1隱馬爾可夫模型305
5.6.2Boosting算法315
5.6.3條件隨機(jī)場(chǎng)320
5.7深度學(xué)習(xí)相關(guān)算法325
5.7.1神經(jīng)網(wǎng)絡(luò)相關(guān)概念325
5.7.2深度神經(jīng)網(wǎng)絡(luò)328
5.8本章小結(jié)331
參考文獻(xiàn)331

第6章構(gòu)建項(xiàng)目流程333
6.1問題的定義334
6.2數(shù)據(jù)收集334
6.3數(shù)據(jù)預(yù)處理335
6.4特征抽取338
6.5模型構(gòu)建及訓(xùn)練339
6.5.1模型構(gòu)建339
6.5.2模型訓(xùn)練340
6.6模型評(píng)估和優(yōu)化341
6.6.1模型評(píng)估341
6.6.2模型優(yōu)化342
6.6.3選擇正確的衡量標(biāo)準(zhǔn)343
6.7模型部署和監(jiān)控343
6.7.1模型部署343
6.7.2模型監(jiān)控344
6.7.3應(yīng)用到業(yè)務(wù)中344
6.8本章小結(jié)344

第7章TIONE機(jī)器學(xué)習(xí)345
7.1TIONE平臺(tái)介紹345
7.2TIONE平臺(tái)操作說明346
7.2.1注冊(cè)與開通服務(wù)346
7.2.2可視化建模界面348
7.2.3新建工程與任務(wù)流349
7.2.4基礎(chǔ)操作說明349
7.3使用可視化建模構(gòu)建模型351

第8章TIONE平臺(tái)應(yīng)用實(shí)例352
8.1中式菜系熱度預(yù)測(cè)模型352
8.2貓狗圖像分類356