●第一部分 基礎篇
第1章 機器學習基礎
1.1 機器學習概述
1.1.1 機器學習任務
1.1.2 重要概念
1.1.3 性能評估
1.2 編程語言與環境
1.2.1 Python簡介
1.2.2 Python環境配置與安裝
1.2.3 Python機器學習編程庫
1.2.4 PyTorch框架
第2章 數據預處理
2.1 數據清洗
2.1.1 缺失值處理
2.1.2 離群值檢測
2.2 數據轉換
2.2.1 數字化
2.2.2 離散化
2.2.3 正規化
2.2.4 數值轉換
2.3 數據壓縮
2.3.1 降維
2.3.2 實例選擇和采樣
2.4 應用案例：基於PCA的數據降維
2.4.1 數據集
2.4.2 PCA降維
2.4.3 案例結果及分析
第3章 簡單分類算法
3.1 樸素貝葉斯分類算法
3.2 KNN分類算法
3.2.1 KNN算法實現原理
3.2.2 KNN算法實現步驟
3.2.3 KNN算法優缺點
3.3 應用案例：KNN分類
3.3.1 數據集
3.3.2 構建KNN分類器
3.3.3 案例結果及分析
第4章 決策樹
4.1 決策樹模型
4.2 特征選擇
4.2.1 特征和數據劃分
4.2.2 劃分標準
4.3 決策樹生成算法
4.3.1 ID3決策樹生成算法
4.3.2 C4.5決策樹生成算法
4.4 CART算法
4.4.1 決策樹的剪枝
4.4.2 CART生成算法
4.4.3 CART剪枝算法
4.5 應用案例：基於決策樹的鳶尾花圖像分類
4.5.1 數據集
4.5.2 構建決策樹
4.5.3 案例結果及分析
第5章 支持向量機
5.1 支持向量機的基本原理
5.1.1 線性可分
5.1.2 優選間隔問題
5.1.3 支持向量
5.2 常用核函數
5.2.1 線性核函數
5.2.2 高斯核函數
5.2.3 多項式核函數
5.3 應用案例：基於SVM的異或數據集劃分
5.3.1 數據集及數據預處理
5.3.2 構建SVM分類器
5.3.3 案例結果及分析
第6章 回歸分析
6.1 線性回歸
6.1.1 簡單線性回歸
6.1.線性回歸
6.2 多項式回歸
6.3 正則化回歸
6.3.1 嶺回歸
6.3.2 最小絕對收縮與選擇算子
6.3.3 彈性網絡
6.4 隨機森林回歸
6.5 回歸模型的性能評估
6.6 回歸模型的實現
6.6.1 線性回歸實現
6.6.2 多項式回歸實現
6.6.3 正則化回歸實現
6.6.4 隨機森林回歸實現
6.7 應用案例：基於隨機森林的房價預測
6.7.1 數據集
6.7.2 數據預處理
6.7.3 隨機森林回歸模型建立
6.7.4 案例結果及分析
第7章 聚類分析
7.1 聚類概述
7.1.1 性能度量
7.1.2 距離計算
7.2 K-means算法
7.3 層次聚類
7.4 密度聚類
7.4.1 DBSCAN相關概念
7.4.2 DBSCAN算法流程
7.5 應用案例
7.5.1 K-means應用案例
7.5.2 層次聚類應用案例
7.5.3 DBSCAN應用案例
第8章 神經網絡與多層感知機
8.1模型
8.2 感知機原理及結構
8.2.1 單層感知機
8.2.2 多層感知機
8.2.3 反向傳播算法
8.3 應用案例：基於多層感知機的手寫數字識別
8.3.1 數據集及數據預處理
8.3.2 三層感知機構建
8.3.3 案例結果及分析
第二部分 綜合篇
第9章 基於CNN的圖像識別
9.1 CNN的基本組成
9.1.1 卷積運算基本過程
9.1.2 多通道卷積
9.1.3 池化
9.2 CNN模型簡介
9.3 基於PyTorch構建CNN
9.4 應用案例：基於CNN的人臉性別識別
9.4.1 數據集
9.4.2 數據預處理
9.4.3 搭建卷積神經網絡
9.4.4 案例結果及分析
第10章 基於RNN的序列數據分類
10.1 面向序列數據的機器學習
10.1.1 RNN相關背景知識
10.1.2 序列數據
10.1.3 序列數據與建模
10.2 RNN的常用網絡結構
10.2.1 基本結構
10.2.2 簡單循環網絡模型
10.2.3 門控算法模型
10.3 基於PyTorch構建LSTM
10.4 應用案例：基於LSTM的文本分類
10.4.1 數據準備
10.4.2 模型構建和實現
10.4.3 訓練模型
10.4.4 測試模型
第11章 基於GNN的文本分類
11.1 GNN基礎
11.1.1 GNN模型簡介
11.1.2 GCN模型簡介
11.2 GCN構建
11.2.1 代碼層次結構
11.2.2 代碼實現
11.3 應用案例：基於GCN的文本分類
11.3.1 TextGCN介紹
11.3.2 基於TextGCN的文本分類
11.3.3 案例結果及分析
第12章 基於GAN的圖像生成
……

本書基礎理論和案例實戰相結合，循序漸進地介紹關於機器學習領域中的經典和流行算法，全面、繫統地介紹了使用Python實現機器學習算法，並通過PyTorch框架實現機器學習算法中的深度學習內容。第一部分基礎篇包括第1～8章，繫統地介紹了機器學習基礎、數據預處理、簡單分類算法、決策樹、支持向量機、回歸分析、聚類分析、神經網絡與多層感知機；第二部分綜合篇，包括第9～12章，介紹了CNN、RNN、GNN及GAN等經典深度學習方法及其在計算機視覺與自然語言處理領域中的應用實踐；第三部分拓展篇，包括第13～15章，以百度飛槳和為例介紹了具有代表性的國產開源框架及其應用案例，最後簡要介紹了國內外兩個主流機器學習競賽平臺。 本書主要面向廣大從事數據分析、機器學習、數據挖掘或深度學習的專業人員，從事高等教育的專任教師，高等院校的在讀學生及相關領域的廣大科研人員。