●章 機器學習簡介
1.1 機器學習的任務
1.2 機器學習的三種方式
1.3 機器學習繫統的建立
1.4 機器學習實例
第2章 Python常用庫介紹
2.1 Python的安裝(Anaconda)
2.1.1 Spyder
2.1.2 Jupyter Notebook
2.2 Python常用庫
2.2.1 Numpy庫
2.2.2 Pandas庫
2.2.3 Matplotlib庫
2.2.4 Statsmodels庫
2.2.5 Scikit-learn庫
2.3 其他Python常用的數據庫
2.4 Python各種庫在機器學習中的應用
第3章 數據的準備和探索
3.1 數據預處理
3.2 數據假設檢驗
3.3 數據間的關繫
3.4 數據可視化
3.5 特征提取和降維
第4章 模型訓練和評估
4.1 模型訓練技巧
4.2 分類效果的評價
4.3 回歸模型評價
4.4 聚類分析評估
第5章 回歸分析
5.1 回歸分析簡介
5.線性回歸分析
5.2.線性回歸
5.2.2 逐步回歸
5.3 Lasso回歸分析
5.4 Logistic回歸分析
5.5 時間序列預測
第6章 關聯規則
6.1 關聯規則簡介
6.2 使用關聯規則找到問卷的規則
6.3 關聯規則可視化
第7章 無監督學習
7.1 無監督學習介紹
7.2 繫統聚類
7.3 K-均值聚類
7.4 密度聚類
7.5 Mean Shift聚類
7.6 字典學習圖像去噪
第8章 文本LDA模型
8.1 文本分析簡介
8.2 中文分詞
8.3 LDA主題模型分析《紅樓夢》
8.4 紅樓夢人物關繫
第9章 決策樹和集成學習
9.1 模型簡介
9.2 泰坦尼克號數據預處理
9.3 決策樹模型
9.4 決策樹剪枝
9.5 隨機森林模型
9.6 AdaBoost模型
0章 樸素貝葉斯和K近鄰分類
10.1 模型簡介
10.2 垃圾郵件數據預處理
10.3 貝葉斯模型識別垃圾郵件
10.4 基於異常值檢測的垃圾郵件查找
10.4.1 PCA異常值檢測
10.4.2 Isolation Forest異常值檢測
10.5 數據不平衡問題的處理
10.6 K近鄰分類
1章 支持向量機和神經網絡
11.1 模型簡介
11.2 肺癌數據可視化
11.3 支持向量機模型
11.4 全連接神經網絡
2章 深度學習入門
12.1 深度學習介紹
12.2 卷積和池化
12.3 CNN人臉識別
12.4 CNN人臉檢測
12.5 深度卷積圖像去噪
12.5.1 空洞卷積
12.5.2 圖像與圖像塊的相互轉換
12.5.3 一種深度學習去噪方法