●前言
章機器學習基礎1
1.1引論1
1.2何謂機器學習2
1.2.1概述2
1.2.2引例2
1.3機器學習中的常用算法4
1.3.1按照學習方式劃分4
1.3.2按照算法相似性劃分7
1.4本章小結14
1.5本章習題14
第2章Python與數據科學15
2.1Python概述15
2.2Python與數據科學的關繫16
2.3Python中常用的第三方庫16
2.3.1NumPy16
2.3.2SciPy17
2.3.3Pandas17
2.3.4Matplotlib18
2.3.5Scikit-learn18
2.4編譯環境18
2.4.1Anaconda19
2.4.2JupyterNotebook21
2.5本章小結23
2.6本章習題24
第3章線性回歸算法25
3.1算法概述25
3.2算法流程25
3.3算法步驟26
3.4算法實例30
3.5算法應用32
3.6算法的改進與優化34
3.7本章小結34
3.8本章習題34
第4章邏輯回歸算法37
4.1算法概述37
4.2算法流程38
4.3算法步驟38
4.4算法實例40
4.5算法應用45
4.6算法的改進與優化49
4.7本章小結49
4.8本章習題49
第5章K最近鄰算法51
5.1算法概述51
5.2算法流程52
5.3算法步驟52
5.4算法實例53
5.5算法應用54
5.6算法的改進與優化57
5.7本章小結58
5.8本章習題58
第6章PCA降維算法59
6.1算法概述59
6.2算法流程60
6.3算法步驟60
6.3.1內積與投影60
6.3.2方差62
6.3.3協方差62
6.3.4協方差矩陣63
6.3.5協方差矩陣對角化63
6.4算法實例65
6.5算法應用67
6.6算法的改進與優化68
6.7本章小結68
6.8本章習題69
第7章k-means算法70
7.1算法概述70
7.2算法流程70
7.3算法步驟71
7.3.1距離度量71
7.3.2算法核心思想72
7.3.3初始聚類中心的選擇73
7.3.4簇類個數k的調整73
7.3.5算法特點74
7.4算法實例75
7.5算法應用77
7.6算法的改進與優化81
7.7本章小結81
7.8本章習題82
第8章支持向量機算法84
8.1算法概述84
8.2算法流程85
8.2.1線性可分支持向量機85
8.2.2非線性支持向量機85
8.3算法步驟85
8.3.1線性分類85
8.3.2函數間隔與幾何間隔87
8.3.3對偶方法求解88
8.3.4非線性支持向量機與核函數90
8.4算法實例93
8.5算法應用95
8.6算法的改進與優化100
8.7本章小結101
8.8本章習題101
第9章AdaBoost算法102
9.1算法概述102
9.2算法流程102
9.3算法步驟103
9.4算法實例105
9.5算法應用106
9.6算法的改進與優化109
9.7本章小結110
9.8本章習題110
0章決策樹算法112
10.1算法概述112
10.2算法流程113
10.3算法步驟113
10.3.1兩個重要概念113
10.3.2實現步驟115
10.4算法實例115
10.5算法應用118
10.6算法的改進與優化119
10.7本章小結120
10.8本章習題120
1章高斯混合模型算法121
11.1算法概述121
11.2算法流程121
11.3算法步驟122
11.3.1構建高斯混合模型122
11.3.2EM算法估計模型參數123
11.4算法實例125
11.5算法應用127
11.6算法的改進與優化129
11.7本章小結130
11.8本章習題130
2章隨機森林算法132
12.1算法概述132
12.2算法流程133
12.3算法步驟134
12.3.1構建數據集134
12.3.2基於數據集構建分類器134
12.3.3投票組合得到最終結果並分析135
12.4算法實例136
12.5算法應用140
12.6算法的改進與優化142
12.7本章小結143
12.8本章習題143
3章樸素貝葉斯算法145
13.1算法概述145
13.2算法流程145
13.3算法步驟146
13.4算法實例148
13.5算法應用149
13.6算法的改進與優化151
13.7本章小結152
13.8本章習題152
4章隱馬爾可夫模型算法154
14.1算法概述154
14.2算法流程154
14.3算法步驟155
14.4算法實例156
14.5算法應用159
14.6算法的改進與優化165
14.7本章小結166
14.8本章習題166
5章BP神經網絡算法167
15.1算法概述167
15.2算法流程167
15.3算法步驟168
15.4算法實例170
15.5算法應用174
15.6算法的改進與優化176
15.7本章小結177
15.8本章習題177
6章卷積神經網絡算法179
16.1算法概述179
16.2算法流程179
16.3算法步驟180
16.3.1向前傳播階段181
16.3.2向後傳播階段183
16.4算法實例184
16.5算法應用188
16.6算法的改進與優化193
16.7本章小結194
16.8本章習題194
7章遞歸神經網絡算法196
17.1算法概述196
17.2算法流程197
17.3算法步驟198
17.4算法實例200
17.5算法應用204
17.6算法的改進與優化207
17.7本章小結208
17.8本章習題208
課後習題答案210
參考文獻231
內容簡介
本書以案例驅動的方式講解機器學習算法的知識點，並以Python語言作為基礎開發語言實現算法，包括目前機器學習主流算法的原理、算法流程圖、算法的詳細設計步驟、算法實例、算法應用、算法的改進與優化等環節。全書共分17章，前兩章介紹機器學習與Python語言的相關基礎知識，後面各章以案例的方式分別介紹線性回歸算法、邏輯回歸算法、K很近鄰算法、PCA降維算法、k-means算法、支持向量機算法、AdaBoost算法、決策樹算法、高斯混合模型算法、隨機森林算法、樸素貝葉斯算法、隱馬爾可夫模型算法、BP神經網絡算法、卷積神經網絡算法、遞歸神經網絡算法。本書適合作為高等院校人工智能、大數據、計算機科學、軟件工程等相關專業本科生和研究生有關課程的教材，也適用於各種計算機編程、人工智能學習認證體繫，還可供廣大人工智能領域技術人員參考。
