第1章　環(huán)境配置與準(zhǔn)備知識(shí) 1
1．1　環(huán)境配置　1
1．2　機(jī)器學(xué)習(xí)相關(guān)概念　2
1．2．1　機(jī)器學(xué)習(xí)中的數(shù)據(jù)　2
1．2．2　訓(xùn)練集和測(cè)試集　4
1．2．3　欠擬合與過(guò)度擬合　5
1．2．4　人工智能、機(jī)器學(xué)習(xí)、深度
學(xué)習(xí)　5
第2章　Python基礎(chǔ)知識(shí)　6
2．1　hello world！　6
2．2　變量　6
2．3　操作符　7
2．3．1　基本運(yùn)算符　7
2．3．2　比較運(yùn)算符　8
2．3．3　邏輯運(yùn)算符　10
2．4　字符串　11
2．4．1　基礎(chǔ)　11
2．4．2　轉(zhuǎn)義字符　12
2．4．3　索引和切片　13
2．4．4　字符串方法　14
2．5　列表　18
2．6　集合　21
2．7　字典　22
2．8　循環(huán)語(yǔ)句　24
2．9　判斷語(yǔ)句　26
2．10　函數(shù)　26
2．11　面向?qū)ο缶幊獭?9
第3章　數(shù)值計(jì)算擴(kuò)展工具——
Numpy　31
3．1　創(chuàng)建數(shù)組　31
3．1．1　創(chuàng)建元素為0或1的數(shù)組　31
3．1．2　將列表轉(zhuǎn)換為數(shù)組　33
3．1．3　生成一串?dāng)?shù)字　33
3．1．4　生成特殊數(shù)組　34
3．2　數(shù)組索引　35
3．3　排序與查詢　36
3．4　隨機(jī)數(shù)生成器　39
3．5　數(shù)學(xué)函數(shù)　41
3．5．1　三角函數(shù)　41
3．5．2　指數(shù)與對(duì)數(shù)　43
3．5．3　約數(shù)　43
3．5．4　數(shù)組自身加乘　44
3．5．5　算術(shù)運(yùn)算　45
3．6　統(tǒng)計(jì)函數(shù)　47
3．7　線性代數(shù)　50
第4章　數(shù)據(jù)分析工具——
Pandas　52
4．1　序列對(duì)象Series　52
4．1．1　創(chuàng)建Series對(duì)象　52
4．1．2　Series索引　53
4．1．3　查看Series相關(guān)屬性　56
4．1．4　二元運(yùn)算　57
4．1．5　統(tǒng)計(jì)方法　62
4．1．6　缺失值處理　65
4．1．7　排序　66
4．1．8　計(jì)數(shù)與重復(fù)　67
4．1．9　其他　69
4．2　數(shù)據(jù)框?qū)ο驞ataFrame　70
4．2．1　創(chuàng)建數(shù)據(jù)框　70
4．2．2　行操作　71
4．2．3　列操作　73
4．3　分組對(duì)象GroupBy　75
4．3．1　基本函數(shù)　75
4．3．2　統(tǒng)計(jì)函數(shù)　77
第5章　可視化展示庫(kù)——
Matplotlib　80
5．1　作圖類命令　80
5．1．1　折線圖　80
5．1．2　柱狀圖和條形圖　82
5．1．3　散點(diǎn)圖　84
5．1．4　餅圖　85
5．1．5　面積圖　86
5．2　坐標(biāo)軸控制　88
5．2．1　axis　88
5．2．2　xlim與ylim　89
5．2．3　xticks與yticks　90
5．2．4　xlabel與ylabel　90
5．3　其他設(shè)置　91
第6章　通用型開(kāi)源機(jī)器學(xué)習(xí)庫(kù)——
Scikit　93
6．1　預(yù)處理　94
6．1．1　標(biāo)準(zhǔn)化　95
6．1．2　非線性轉(zhuǎn)換　96
6．1．3　歸一化　97
6．1．4　二值化　97
6．1．5　分類特征編碼　98
6．1．6　缺失值插補(bǔ)　99
6．1．7　生成多項(xiàng)式特征　100
6．2　降維　101
6．3　有監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)　101
6．4　模型評(píng)估　102
6．4．1　測(cè)試集評(píng)分　102
6．4．2　交叉驗(yàn)證迭代器　105
6．4．3　分層交叉驗(yàn)證迭代器　108
6．4．4　分組迭代器　109
6．4．5　時(shí)間序列交叉驗(yàn)證　111
第7章　機(jī)器學(xué)習(xí)常用數(shù)據(jù)集　112
7．1　boston房?jī)r(jià)數(shù)據(jù)集　112
7．1．1　數(shù)據(jù)集基本信息描述　112
7．1．2　數(shù)據(jù)探索　113
7．2　diabetes糖尿病數(shù)據(jù)集　115
7．2．1　數(shù)據(jù)基本信息描述　116
7．2．2　數(shù)據(jù)探索　116
7．3　digits手寫(xiě)字體識(shí)別數(shù)據(jù)集　117
7．3．1　數(shù)據(jù)集基本信息描述　124
7．3．2　數(shù)據(jù)集探索　124
7．4　iris鳶尾花數(shù)據(jù)集　127
7．4．1　數(shù)據(jù)集基本信息描述　127
7．4．2　數(shù)據(jù)探索　128
7．5　wine紅酒數(shù)據(jù)集　131
7．5．1　數(shù)據(jù)集基本信息描述　131
7．5．2　數(shù)據(jù)探索　132
第8章　線性回歸算法　134
8．1　從二次函數(shù)到機(jī)器學(xué)習(xí)　134
8．1．1　二次函數(shù)最優(yōu)求解方法　134
8．1．2　梯度下降　135
8．1．3　梯度下降的Python實(shí)現(xiàn)　138
8．1．4　初始值與學(xué)習(xí)速率? 的選擇　139
8．2　深入理解線性回歸算法　142
8．2．1　回歸曲線的數(shù)學(xué)解釋　143
8．2．2　梯度下降方法求解最優(yōu)直線　144
8．2．3　理解“機(jī)器學(xué)習(xí)”中的
“學(xué)習(xí)”　145
8．2．4　導(dǎo)數(shù)求解與梯度下降　145
8．2．5　學(xué)習(xí)速率? 與迭代次數(shù)的設(shè)置　146
8．3　線性回歸算法實(shí)戰(zhàn)——糖尿病患者
病情預(yù)測(cè)　146
第9章　邏輯回歸算法　149
9．1　邏輯回歸算法的基礎(chǔ)知識(shí)　149
9．1．1　直線分割平面　149
9．1．2　邏輯函數(shù)　153
9．2　深入理解邏輯回歸算法　155
9．2．1　直線分類器與邏輯回歸的結(jié)合　155
9．2．2　Sigmoid函數(shù)的作用　158
9．2．3　邏輯回歸模型　159
9．3　邏輯回歸算法實(shí)戰(zhàn)—— 二維鳶尾花
分類　160
第10章　神經(jīng)網(wǎng)絡(luò)算法　164
10．1　神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)知識(shí)　164
10．1．1　邏輯回歸與神經(jīng)網(wǎng)絡(luò)的關(guān)系　165
10．1．2　激活函數(shù)　165
10．2　深入理解神經(jīng)網(wǎng)絡(luò)算法　167
10．2．1　神經(jīng)網(wǎng)絡(luò)的表示　167
10．2．2　做回歸的神經(jīng)網(wǎng)絡(luò)　168
10．2．3　做二分類的神經(jīng)網(wǎng)絡(luò)　168
10．2．4　做多分類的神經(jīng)網(wǎng)絡(luò)　169
10．3　神經(jīng)網(wǎng)絡(luò)的應(yīng)用　169
10．3．1　MLPClassifier分類　169
10．3．2　MLPRegressor回歸　171
第11章　線性判別算法　173
11．1　線性判別算法的核心知識(shí)　173
11．1．1　方差　173
11．1．2　投影　175
11．1．3　投影方式與方差的關(guān)系　177
11．2　線性判別算法詳解　178
11．2．1　投影的實(shí)際應(yīng)用　179
11．2．2　另一種思路解決重疊問(wèn)題　180
11．2．3　線性判別算法的實(shí)質(zhì)　182
11．3　線性判別算法實(shí)戰(zhàn)—— 花卉分類　183
第12章　K最近鄰算法　187
12．1　K最近鄰算法的核心知識(shí)　187
12．1．1　兩點(diǎn)的距離公式　187
12．1．2　權(quán)重　188
12．2　K最近鄰算法詳解　188
12．2．1　K最近鄰算法原理　188
12．2．2　K最近鄰算法的關(guān)鍵—— k的
選擇　191
12．2．3　距離加權(quán)最近鄰算法　191
12．3　K最近鄰算法實(shí)戰(zhàn)—— 手寫(xiě)字體
識(shí)別　192
第13章　決策樹(shù)方法與隨機(jī)
森林　194
13．1　決策樹(shù)方法的基本知識(shí)　194
13．2　決策樹(shù)方法的原理　197
13．2．1　信息熵　198
13．2．2　分割數(shù)據(jù)　199
13．2．3　計(jì)算信息增益　201
13．3　決策樹(shù)方法實(shí)戰(zhàn)—— 紅酒分類　204
13．4　隨機(jī)森林　205
第14章　貝葉斯算法　206
14．1　貝葉斯算法的基礎(chǔ)知識(shí)　206
14．1．1　概率　206
14．1．2　條件概率　207
14．1．3　聯(lián)合概率　209
14．1．4　貝葉斯定理　210
14．2　深入理解貝葉斯算法　210
14．2．1　先驗(yàn)概率和后驗(yàn)概率　211
14．2．2　詞向量　211
14．2．3　貝葉斯模型　214
14．3　貝葉斯算法實(shí)戰(zhàn)—— 文本分類　222
第15章　支持向量機(jī)　225
15．1　支持向量機(jī)的基礎(chǔ)知識(shí)　225
15．1．1　向量　225
15．1．2　點(diǎn)積　228
15．1．3　投影　229
15．1．4　向量與代數(shù)直線的關(guān)系　230
15．2　深入理解支持向量機(jī)　233
15．2．1　超平面　233
15．2．2　支持向量機(jī)在二維空間的
超平面　234
15．2．3　計(jì)算最優(yōu)超平面　235
15．3　支持向量機(jī)實(shí)戰(zhàn)—— 鳶尾花分類　237
第16章　PCA降維算法　240
16．1　PCA降維算法的核心知識(shí)　240
16．1．1　矩陣的直觀理解　240
16．1．2　特征向量的本質(zhì)　243
16．1．3　協(xié)方差　244
16．1．4　協(xié)方差矩陣　244
16．2　PCA降維算法詳解　244
16．2．1　協(xié)方差矩陣的特征向量　245
16．2．2　PCA降維算法的Python
實(shí)現(xiàn)　246
16．3　PCA降維算法實(shí)戰(zhàn)—— iris數(shù)據(jù)集
可視化　247
第17章　SVD奇異值分解　249
17．1　SVD奇異值分解的相關(guān)知識(shí)　249
17．2　深入理解矩陣作用　250
17．2．1　矩陣作用　250
17．2．2　將矩陣作用分解為特征向量
作用　251
17．2．3　將矩陣作用分解為奇異矩陣
作用　253
17．3　SVD奇異值分解的應(yīng)用　255
17．3．1　U矩陣的理解　257
17．3．2　V矩陣的理解　258
17．3．3　S矩陣的理解　259
第18章　聚類算法　260
18．1　深入理解K均值聚類算法　260
18．2　Scikit庫(kù)中的K均值聚類算法　264
18．3　其他聚類算法　266
第19章　深度學(xué)習(xí)框架及其
應(yīng)用　269
19．1　TensorFlow　269
19．1．1　TensorFlow的基本概念　269
19．1．2　TensorFlow的應(yīng)用　271
19．2　Keras　277
19．3　PyTorch　282
19．4　Caffe　288