●目錄
第1章人工智能簡介
11什麼是人工智能
12人工智能簡史(1956年以前)
13人工智能簡史(1956—1980年)
14人工智能簡史(1980—2010年)
15人工智能簡史(2010年至今)
第2章機器學習簡介
21什麼是機器學習
22機器學習分類
第3章Python簡介
31環境配置
32Python基礎編程
33Numpy
34Matplotlib
35Pandas
第4章K近鄰
41什麼是K近鄰
42如何度量距離或者相似性
43數據縮放
44選擇合適的K值
45Scikitlearn KNN分類器介紹
46案例一:鳶尾花分類
第5章模型選擇
51偏差與方差
52訓練集與測試集
53交叉驗證
54案例二:鳶尾花分類(案例一續)
第6章線性回歸
61什麼是線性回歸
62損失函數
63增加多項式特征
64正則化
65超參數調優
66案例三:波士頓房價預測
第7章邏輯回歸
71什麼是邏輯回歸
72決策邊界
73損失函數
74線性回歸和邏輯回歸的異同
75多分類
76案例四:泰坦尼克號乘客生還預測
第8章分類評價指標
81混淆矩陣
82查準率與查全率、F1分數
83ROC曲線和AUC
84多分類評價指標
85案例五:泰坦尼克號乘客生還預測(案例四續)
第9章樸素貝葉斯
91貝葉斯定理
92樸素貝葉斯分類器
93不同的樸素貝葉斯模型
94文本分類
95案例六:垃圾郵件識別
第10章支持向量機
101什麼是支持向量機
102核函數
103支持向量機的參數優化
104案例七:垃圾郵件識別(案例六續)
105總結
第11章決策樹
111什麼是決策樹
112構建決策樹
113修剪決策樹
114決策樹的優缺點和使用方法
115案例八:泰坦尼克號乘客生還預測
第12章集成學習
121袋裝
122提升
123堆疊
124案例九:泰坦尼克號乘客生還預測(案例八續)
第13章聚類
131什麼是聚類
132Kmeans算法
133聚類結果的評價
134不同的距離指標
135聚合式層次聚類
136案例十:商場客戶聚類
第14章深度學習
141深度學習發展簡史
142多層感知器
143損失函數
144優化算法:反向傳播算法
145案例十一:手寫數字識別
146深度學習技巧
147卷積神經網絡
148案例十二:圖像識別
第15章Kaggle競賽
151Kaggle平臺簡介
152Kaggle競賽簡介
153Kaggle競賽案例分析:泰坦尼克號乘客生還預測