目录

第一部分入门篇

第1章机器学习概述2

1.1人工智能简介3

1.1.1什么是人工智能3

1.1.2人工智能史上的三次浪潮3

1.1.3人工智能的研究领域7

1.2机器学习的主要工作16

1.3机器学习开发环境18

习题124

第2章Python数据处理基础25

2.1Python程序开发技术25

2.2基本数据类型27

2.3数据文件读写35

2.3.1打开与关闭文件35

2.3.2读取文件内容36

2.3.3将数据写入文件37

2.3.4Pandas存取文件38

2.3.5NumPy存取文件40

习题241

第二部分基础篇

第3章Python常用机器学习库44

3.1NumPy44

3.1.1ndarray对象45

3.1.2NumPy数据类型46

3.1.3NumPy数组属性50

3.1.4其他创建数组的方式52

3.1.5切片、迭代和索引56

3.1.6NumPy计算59

3.2Pandas61

3.2.1Series数据结构61

3.2.2DataFrame对象64

3.2.3数据对齐72

3.3Matplotlib75

3.4OpenCV88

3.5Scikit\|learn93

3.5.1SKlearn简介93

3.5.2SKlearn的一般步骤94

3.6其他常用模块96

3.6.1WordCloud制作词云96

3.6.2jieba中文分词98

3.6.3PIL102

习题3109

第4章机器学习基础110

4.1机器学习模型111

4.1.1线性模型与非线性模型111

4.1.2浅层模型与深度模型111

4.1.3单一模型与集成模型112

4.1.4监督学习、非监督学习和强化学习112

4.2机器学习算法的选择116

4.2.1模型的确定117

4.2.2性能评估123

4.3Python机器学习利器SKlearn125

4.3.1SKlearn数据预处理125

4.3.2SKlearn模型选择与算法评价128

习题4130

第三部分实战篇

第5章KNN分类算法132

5.1KNN分类132

5.2初识KNN——鸢尾花分类135

5.3KNN手写数字识别140

实验143

习题5145

第6章KMeans聚类算法146

6.1KMeans聚类算法概述146

6.1.1聚类147

6.1.2KMeans聚类147

6.1.3聚类算法的性能评估148

6.2使用KMeans实现数据聚类149

6.2.1使用SKlearn实现KMeans聚类149

6.2.2使用Python实现KMeans聚类152

6.3KMeans算法存在的问题154

6.3.1KMeans算法的不足154

6.3.2科学确定k值156

6.3.3使用后处理提高聚类效果157

实验157

习题6164

第7章推荐算法165

7.1推荐系统165

7.1.1推荐算法概述166

7.1.2推荐系统的评价指标168

7.1.3推荐系统面临的挑战170

7.1.4常见的推荐算法171

7.2协同过滤推荐算法171

7.2.1基于用户的协同过滤算法171

7.2.2基于内容的推荐算法176

7.2.3基于图结构的推荐算法178

7.2.4其他推荐算法178

7.3基于内容的推荐算法案例179

7.4协同过滤算法实现电影推荐181

实验188

习题7188

第8章回归算法189

8.1线性回归190

8.1.1一元线性回归190

8.1.2多元线性回归193

8.2逻辑回归194

8.2.1线性回归存在的问题195

8.2.2逻辑函数Sigmoid196

8.2.3逻辑回归的概念197

8.2.4线性回归与逻辑回归的区别198

8.2.5逻辑回归参数的确定198

8.3回归分析综合案例201

8.3.1信用卡逾期情况预测案例201

8.3.2使用逻辑回归实现鸢尾花分类预测案例204

实验206

习题8209

第9章支持向量机210

9.1支持向量机的概念210

9.1.1线性判别分析211

9.1.2间隔与支持向量212

9.1.3超平面213

9.1.4感知器214

9.2支持向量机的参数219

9.2.1优化求解219

9.2.2核函数220

9.2.3SVM应用案例220

实验224

习题9230

第10章神经网络231

10.1神经网络的基本原理231

10.1.1人工神经网络231

10.1.2神经网络结构233

10.2多层神经网络234

10.2.1多隐藏层234

10.2.2激活函数236

10.3BP神经网络238

实验245

习题10249

第11章深度学习250

11.1深度学习概述251

11.1.1深度学习的产生251

11.1.2深度学习的发展253

11.2卷积神经网络254

11.2.1卷积神经网络的神经科学基础254

11.2.2卷积操作254

11.2.3池化操作257

11.2.4卷积神经网络的激活函数259

11.2.5卷积神经网络模型259

11.3循环神经网络264

11.4常见的深度学习开源框架和平台265

11.5TensorFlow学习框架266

11.6Keras深度学习框架274

11.6.1Keras基础274

11.6.2Keras综合实例274

习题11280