●前言第1章 機器學習基礎11.1 機器學習概述21.2 機器學習的發展歷程21.3 機器學習分類31.3.1 監督學習31.3.2 無監督學習31.3.3 強化學習41.3.4 深度學習41.4 機器學習的應用41.5 開發機器學習的步驟71.6 Python語言的優勢81.6.1 可執行偽代碼81.6.2 Python語言使用廣泛81.6.3 Python語言特色81.6.4 Python語言的缺點91.7 Python開發工具介紹91.7.1 IDLE簡介101.7.2 IPython簡介111.7.3 PyCharm簡介111.7.4 Jupyter Notebook簡介121.7.5 Anaconda和Spyder簡介131.8 本章小結15第2章 Python語言簡介162.1 搭建Python開發環境162.1.1 安裝Anaconda162.1.2 安裝Spyder182.1.3 運行和保存Python程序192.2 Python計算與變量192.2.1 用Python做簡單的計算202.2.2 Python的運算符202.2.3 Python的變量212.3 Python的字符串222.4 Python的列表232.5 Pyth組252.6 Python的字典272.7 網絡爬蟲的發展歷史和分類282.7.1 網絡爬蟲的發展歷史282.7.2 網絡爬蟲的分類302.8 網絡爬蟲的原理302.8.1 理論概述302.8.2 爬蟲的工作流程312.9 爬蟲框架介紹362.9.1 Scrapy介紹362.9.2 XPath介紹392.10 網絡爬蟲的設計與實現402.10.1 網絡爬蟲的總體設計402.10.2 具體實現過程402.10.3 爬蟲結果與分析452.11 本章小結49第3章 回歸分析503.1 回歸分析概述503.1.1 基本概念503.1.2 可以解決的問題513.1.3 回歸分析的步驟513.2 線性回歸513.2.1 簡單線性回歸分析513.2.2線性回歸分析523.2.3 非線性回歸數據分析523.3 用Python線性回歸533.4 用Python線性回歸563.4.1 使用pandas讀取數據563.4.2 分析數據573.4.3 線性回歸模型583.5 基於線性回歸的股票預測623.5.1 數據獲取623.5.2 數據預處理633.5.3 編碼實現643.5.4 結果分析653.6 邏輯回歸663.6.1 構造預測函數673.6.2 構造損失函數J683.6.3 梯度下降法求解最小值693.7 基於邏輯回歸的環境數據檢測713.7.1 數據來源713.7.2 數據處理723.7.3 異常數據分析723.7.4 數據預測743.8 本章小結76第4章 決策樹與隨機森林774.1 決策樹774.1.1 決策樹的基本原理774.1.2 決策樹的分類784.1.3 決策樹的優缺點814.2 使用決策樹對鳶尾花分類824.2.1 Iris數據集簡介824.2.2 讀取數據834.2.3 鳶尾花類別834.2.4 數據可視化844.2.5 訓練和分類854.2.6 數據集多類分類864.2.7 實驗結果864.3 隨機森林874.3.1 隨機森林的基本原理874.3.2 隨機森林的收斂性884.3.3 隨機森林的OOB估計894.3.4 隨機森林的隨機特征選取894.3.5 隨機森林的優缺點904.4 葡萄酒數據集的隨機森林分類914.4.1 數據收集914.4.2 相關庫函數簡介924.4.3 數據基本分析934.4.4 使用隨機森林構建模型974.4.5 實驗結果984.5 本章小結99第5章 支持向量機1005.1 SVM的工作原理及分類1005.1.1 支持向量機的原理1005.1.2 線性可分的支持向量機1015.1.3 非線性可分的支持向量機1025.2 核函數1035.2.1 核函數簡介1035.2.2 幾種常見的核函數1045.2.3 核函數如何處理非線性數據1045.2.4 如何選擇合適的核函數1055.3 SVR簡介1065.3.1 SVR原理1065.3.2 SVR模型1065.4 時間序列曲線預測1075.4.1 生成訓練數據集1075.4.2 運用不同的核函數進行支持向量回歸1085.4.3 生成測試數據集1095.4.4 預測並生成圖表1105.4.5 獲取預測誤差1115.4.6 創建數據集1125.4.7 選取很優參數1125.4.8 預測並生成圖表1125.4.9 獲取預測誤差1135.5 本章小結114第6章 隱馬爾可夫模型1156.1 隱馬爾可夫模型簡介1156.1.1 隱馬爾可夫模型的概念1156.1.2 詳例描述1166.1.3 HMM流程1176.2 Viterbi算法1176.3 HMM模型用於中文分詞1196.3.1 UI界面1196.3.2 數據及其編碼1196.3.3 HMM模型1216.3.4 實驗結果1226.4 本章小結124第7章 BP神經網絡模型1257.1 背景介紹1257.2 結構特點1267.3 網絡模型1267.4 人工神經網絡簡介1277.4.1 1277.4.2 單層神經網絡1287.4.3 雙層神經網絡1297.4.4 多層神經網絡1307.5 BP神經網絡1317.6 通過TensorFlow實現BP神經網絡1327.7 本章小結134第8章 卷積神經網絡1358.1 傳統圖像識別技術1358.1.1 圖像預處理1358.1.2 圖像特征提取1368.1.3 圖像分類方法1368.2 卷積神經網絡結構簡介1378.2.1 卷積神經網絡發展歷程1378.2.2 卷積神經網絡結構簡介1378.3 卷積神經網絡的結構及原理1398.3.1 卷積層1398.3.2 池化層1408.3.3 激活函數1428.3.4 全連接層1448.3.5 反饋運算1448.4 卷積神經網絡的優點1468.5 雷達剖面圖識別模型1488.5.1 數據準備1488.5.2 構建模型1508.6 模型測試分析1578.6.1 部署基本模塊1578.6.2 創建項目結構1578.6.3 訓練網絡1588.6.4 自動化測試1588.7 本章小結160第9章 循環神經網絡1619.1 自然語言處理1619.1.1 自然語言處理概述1619.1.2 自然語言處理應用1629.2 對話繫統1639.2.1 對話繫統分類1639.2.2 聊天機器人分類1649.3 基於LSTM結構的循環神經網絡1659.3.1 循環神經網絡1659.3.2 通過時間反向傳播1669.3.3 長短期記憶網絡（LSTM）1699.4 Seq2Seq模型1729.4.1 Encoder-Decoder框架1739.4.2 Attention機制1749.5 聊天機器人的程序實現1769.5.1 準備數據1769.5.2 創建模型1789.5.3 訓練模型1799.5.4 測試模型1809.6 本章小結181第10章 聚類與集成算法18210.1 聚類方法簡介18210.1.1 聚類定義18310.1.2 聚類要求18310.2 聚類算法18410.2.1 劃分方法18410.2.2 層次方法18410.2.3 基於密度的方法18410.2.4 基於網格的方法18510.2.5 基於模型的方法18510.3 K-Means算法18510.3.1 K-Means算法概述18510.3.2 K-Means算法流程18510.3.3 K-Means算法實現18610.3.4 實驗結果及分析18810.3.5 K-Means算法存在的問題18810.4 K-Means++算法18910.4.1 K-Means++的基本思想18910.4.2 K-Means++的數學描述19010.4.3 K-Means++算法流程19010.5 K-Means++的實現19110.5.1 數據集19110.5.2 代碼實現19210.5.3 K-Means++實驗結果19310.6 Adaboost集成算法的原理19410.6.1 Boosting算法的基本原理19410.6.2 Adaboost算法介紹19510.6.3 Adaboost分類問題的損失函數優化19710.6.4 Adaboo分類問題的算法流程19810.6.5 Adaboost回歸問題的算法流程19910.6.6 Adaboost算法的正則化20010.6.7 Adaboost的優缺點20010.7 Adaboost算法實現20110.7.1 數據集處理20110.7.2 實現過程20110.7.3 實驗結果分析20610.8 本章小結208第11章 其他機器學習算法20911.1 貝葉斯分類器21011.1.1 概率基礎知識21011.1.2 貝葉斯決策準則21111.1.3 極大似然估計21211.2 貝葉斯分類模型21311.2.1 樸素貝葉斯分類模型21311.2.2 半樸素貝葉斯分類模型21611.2.3 貝葉斯網絡分類模型21711.3 樸素貝葉斯分類器在破產預測中的應用21911.3.1 數據集21911.3.2 訓練多項式樸素貝葉斯模型22011.4 在線學習22211.4.1 線性模型的在線學習22211.4.2 非線性模型的在線學習22411.5 Bandit在線學習算法22511.5.1 Bandit算法與推薦繫統22611.5.2 常用Bandit算法22611.6 Bandit算法原理及實現22811.7 GAN網絡22911.7.1 GAN產生的背景23011.7.2 模型結構23011.7.3 GAN的實現原理23211.8 DCGAN網絡23611.8.1 模型結構23611.8.2 反卷積23711.9 DCGAN人臉生成24011.9.1 實驗準備24011.9.2 關鍵模塊的實現24011.9.3 實驗結果展示24311.10 本章小結245附錄A 機器學習常見面試題246附錄B 數學基礎257B.1 常用符號257B.2 數學基礎知識259B.2.1 線性代數259B.2.2 概率論261B.2.3 信息論262參考文獻264

本書作為數據挖掘入門讀物，基於真實數據集進行案例實戰，使用Python數據科學庫，從數據預處理開始一步步介紹數據建模和數據挖掘的過程。主要介紹了數據挖掘的基礎知識、基本工具和實踐方法，通過循序漸進地講解算法，帶領讀者輕松踏上數據挖掘之旅。本書采用理論與實踐相結合的方式，呈現了如何使用邏輯回歸進行環境數據檢測，如何使用HMM進行中文分詞，如何利用卷積神經網絡識別雷達剖面圖，如何使用循環神經網絡構建聊天機器人，如何使用樸素貝葉斯算法進行破產預測，如何使用DCGAN網絡進行人臉生成等。本書也涉及神經網絡、在線學習、強化學習、深度學習、大數據處理等內容。 本書適合對傳統數據挖掘和機器學習算法開發感興趣的讀者閱讀，也適合需要繫統掌握深度學習的開發人員閱讀。

    第1章 機器學習基礎    人工智能（Artificial Intelligence，AI）是智能機器，如計算機所執行的與人類智能有關的功能，如識別、判斷、證明、學習和問題求解等思維活動。這反映了人工智能學科的基本思想和內容，即人工智能是研究人類智能活動規律的一門學科。1956年在Dartmouth學會上首次提出了“人工智能”這一概念，而人工智能開始迅速發展是在計算機出現後，因為人們真正有了可以模擬人類思維的工具。現如今，人工智能已經不再是一個小眾化的研究課題了，全世界幾乎所有的理工科類大學都在研究這門學科，甚至為此設立了專門的研究機構。越來越多的學習計算機、自動化控制和軟件工程專業的本科生或研究生，將人工智能作為自己的研究方向。在科學家的不懈努力下，如今的計算機與原來相比已經變得十分“聰明”了，某些等

Python是一個高層次的結合了解釋性、編譯性、互動性和面向對像的腳本語言。作為一門編程語言，其魅力遠超C#、Java、C和C++等編程語言，被昵稱為“膠水語言”，更被熱愛它的程序員譽為“好看麗的”編程語言。從雲端和客戶端，再到物聯網終端，Python應用無處不在，同時它還是人工智能（AI）優選的編程語言。    近年來，人工智能在全世界掀起了新的科技浪潮，各行各業都在努力涉足人工智能技術。而機器學習是人工智能的一種實現方式，也是最重要的實現方式之一。深度學習是目前機器學習比較熱門的一個方向，其本身是神經網絡算法的衍生，在圖像、語音等富媒體的分類和識別上取得了非常好的效果。數據挖掘主要利用機器學習界提供的技術來分析海量數據，利用數據庫界提供的技術來管理海量數據。例如，在對超市貨品進行擺放時，牛奶到底是和面包擺放在一起銷量更高，還是和其他商品擺在一起銷等