目錄
第1章　人工智能與計算思維　1
1.1　人工智能　1
1.2　機器學習　2
1.3　機器學習中的計算思維　6
1.4　本章小結(jié)　7
課后練習　7
第2章　機器學習理論基礎(chǔ)　8
2.1　數(shù)據(jù)集　8
2.1.1　描述空間、屬性、特征和維度　8
2.1.2　復合特征　9
2.1.3　特征空間降維　10
2.1.4　特征縮放及特征編碼　11
2.2　機器學習中對誤差的估計　12
2.3　代價函數(shù)、損失函數(shù)和目標函數(shù)　14
2.4　數(shù)據(jù)預處理　14
2.5　Python中機器學習基本流程　15
2.6　sklearn的安裝　17
2.7　本章小結(jié)　19
課后練習　19
第3章　線性回歸模型　20
3.1　什么是線性回歸模型　20
3.2　簡單線性回歸模型　21
3.2.1　模型建立　21
3.2.2　不插電模擬模型訓練　22
3.2.3　sklearn中使用簡單線性回歸模型　23
3.2.4　模型性能評價　24
3.3　多元線性回歸模型　26
3.3.1　模型建立　26
3.3.2　不插電使用梯度下降法求解系數(shù)　28
3.3.3　sklearn中使用多元線性回歸模型　30
3.4　多項式回歸　32
3.5　學習曲線　34
3.6　線性回歸模型中的計算思維　37
課后練習　38
第4章　邏輯回歸模型　40
4.1　Sigmoid函數(shù)　40
4.2　邏輯回歸的基本模型　40
4.3　邏輯回歸模型的代價函數(shù)　41
4.4　在sklearn中使用邏輯回歸模型進行二元分類　42
4.5　廣義線性回歸模型的防止過擬合策略　43
4.5.1　正則式　43
4.5.2　在sklearn中使用L1和L2范數(shù)優(yōu)化模型　44
4.6　邏輯回歸中的計算思維　46
課后練習　47
第5章　KNN分類和回歸　48
5.1　KNN算法的模型　48
5.2　不插電使用KNN模型進行分類　48
5.3　不插電使用KNN回歸模型　50
5.4　F1分數(shù)　52
5.5　KNN中的特征標準化　56
5.6　KNN模型的計算思維　58
課后練習　59
第6章　樸素貝葉斯　60
6.1　貝葉斯公式　60
6.2　樸素貝葉斯模型　61
6.2.1　樸素貝葉斯模型的基本原理　61
6.2.2　不插電運用樸素貝葉斯公式進行分類預測　62
6.3　高斯樸素貝葉斯(Gaussian NB)　63
6.3.1　高斯樸素貝葉斯的原理　63
6.3.2　不插電運用高斯樸素貝葉斯　65
6.4　sklearn中的樸素貝葉斯模型　67
6.5　在sklearn中使用NB模型　68
6.6　ROC曲線和AUC面積　70
6.7　樸素貝葉斯模型與計算思維　73
課后練習　73
第7章　決策樹和隨機森林　75
7.1　決策樹的表達方式　75
7.2　訓練決策樹的算法　76
7.2.1　ID3算法的基本原理　76
7.2.2　不插電使用ID3算法構(gòu)建決策樹　76
7.2.3　C4.5算法　81
7.2.4　CART算法　82
7.3　sklearn中使用DecisionTreeClassifier和DecisionTreeRegression工具　83
7.3.1　sklearn中使用DecisionTreeClassifier　83
7.3.2　sklearn中使用DecisionTreeRegressor　84
7.4　隨機森林和集成學習　86
7.4.1　隨機森林　86
7.4.2　推進法(boosting)　87
7.4.3　不插電應用AdaBoost　88
7.5　決策樹中的計算思維　90
課后練習　91
第8章　感知器和人工神經(jīng)網(wǎng)絡(luò)ANN　92
8.1　感知器　92
8.1.1　感知器的基本原理　92
8.1.2　不插電訓練單層感知器　94
8.2　多層感知器(MLP)　96
8.2.1　多層感知器的基本原理　96
8.2.2　不插電運用兩層感知器解決XOR(異或)問題　97
8.3　反傳多層感知器　99
8.3.1　ANN的激勵函數(shù)　99
8.3.2　ANN的網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點構(gòu)成　100
8.3.3　ANN中的反傳學習算法(BP)　100
8.3.4　BP的不插電示例　104
8.4　使用sklearn的ANN工具　107
8.5　人工神經(jīng)網(wǎng)絡(luò)的計算思維　107
課后練習　109
第9章　支持向量機　111
9.1　支持向量機SVM的基本原理　111
9.1.1　SVM中用于分類的超平面　111
9.1.2　SVM的目標函數(shù)　113
9.1.3　SVM的目標函數(shù)求解　114
9.2　單層感知器的對偶形式　114
9.3　SVM的核函數(shù)　117
9.4　sklearn中使用SVM工具分類　118
課后練習　120
第10章　聚類　121
10.1　聚類算法的原理　121
10.2　K均值(K-means)聚類算法　122
10.2.1　K均值算法基本原理　122
10.2.2　利用K均值算法進行不插電聚類　122
10.2.3　K值的選擇　126
10.3　模糊C均值(FCM)聚類算法　126
10.4　輪廓系數(shù)　128
10.5　使用sklearn的K均值算法對數(shù)據(jù)進行聚類　129
10.6　聚類模型與計算思維　131
課后練習　131
第11章　主成分分析(PCA)降維　132
11.1　PCA的基本思想　132
11.2　協(xié)方差矩陣　133
11.3　PCA算法的實現(xiàn)　135
11.4　PCA降維算法的一個實例　136
11.5　調(diào)用sklearn的PCA模型來驗證上述算法　138
11.6　PCA降維的計算思維　140
課后練習　140
部分課后習題答案　141
第3章　課后練習答案　141
第5章　課后練習答案　144
第6章　課后練習答案　146
第7章　課后練習答案　147
第8章　課后練習答案　148
第9章　課后練習答案　150
第10章　課后練習答案　151
第11章　課后練習答案　151
參考文獻　153