編輯推薦每種算法都采用sklearn程序實現並用Matplotlib進行數據可視化提供11個微課配套教學視頻，讀者可以掃碼在線觀看11個微課教學視頻+89個示例+6個綜合案例+156個示意圖+131個習題

●前言第1章 機器學習概述11.1 機器學習的概念和步驟11.1.1 機器學習的一般過程21.1.2 機器學習的定義41.1.3 機器學習的過程舉例41.1.4 評估機器學習模型的效果71.2 機器學習的預處理環節91.2.1 收集相關樣本101.2.2 數據預處理101.2.3 數據標準化121.2.4 數據降維141.3 機器學習的類型151.3.1 按完成的任務分類151.3.2 按學習的過程分類161.4 機器學習的發展歷史和應用領域171.4.1 機器學習的發展歷史171.4.2 機器學習的應用領域201.5 習題22第2章 Python機器學習與可視化242.1 Python程序入門242.1.1 一些簡單的Python程序242.1.2 序列數據結構262.1.3 序列處理函數282.1.4 函數和類292.2 Python數據分析工具322.2.1 Anaconda的使用322.2.2 Spyder集成開發環境332.2.3 NumPy庫342.3 數據可視化——基於Matplotlib庫372.3.1 繪制曲線圖382.3.2 繪制散點圖等其他圖形432.4 SciPy庫472.5 sklearn庫492.5.1 樣本及樣本的劃分492.5.2 導入或創建數據集532.5.3 數據預處理562.5.4 數據的降維592.5.5 調用機器學習模型612.6 習題63第3章 關聯規則與推薦算法653.1 關聯規則挖掘653.1.1 基本概念653.1.2 Apriori算法683.1.3 Apriori算法的程序實現723.1.4 FP-Growth算法733.2 推薦繫統及算法773.2.1 協同過濾推薦算法783.2.2 協同過濾推薦算法應用實例813.3 利用協同過濾推薦算法實現電影節目推薦853.4 習題87第4章 聚類894.1 聚類的原理與實現894.1.1 聚類的概念和類型894.1.2 如何度量距離894.1.3 聚類的基本步驟934.2 層次聚類算法974.2.1 層次聚類法舉例984.2.2 層次聚類法的sklearn實現994.3 K-means聚類算法1034.3.1 K-means聚類算法的原理和實例1044.3.2 K-means聚類算法的k值的確定1104.3.3 K-means聚類算法的sklearn實現1114.4 K-medoids聚類算法1124.4.1 K-medoids聚類算法的原理和實例1124.4.2 K-medoids聚類算法的sklearn實現1184.5 DBSCAN聚類算法1194.5.1 DBSCAN聚類算法的原理和實例1194.5.2 DBSCAN聚類算法的sklearn實現1244.6 利用聚類算法實現車牌識別1264.7 習題129  第5章 分類1305.1 分類的基本原理1305.1.1 分類與聚類的區別1315.1.2 分類的步驟1325.1.3 分類模型預測結果評估1345.1.4 sklearn庫的常用分類算法1355.2 K-近鄰算法1365.2.1 K-近鄰算法的原理和實例1365.2.2 sklearn中分類模型的編程步驟1405.2.3 K-近鄰算法的sklearn實現1425.2.4 繪制分類邊界圖1445.2.5 確定很優的k值1465.3 樸素貝葉斯分類算法1475.3.1 樸素貝葉斯的原理與實例1485.3.2 樸素貝葉斯分類的常見問題1525.3.3 樸素貝葉斯分類算法的sklearn實現1545.4 決策樹分類算法1565.4.1 信息論基礎1575.4.2 ID3算法1625.4.3 C4.5算法1675.4.4 CART算法1715.4.5 決策樹分類算法的sklearn實現1735.5 隨機森林分類算法1755.5.1 集成學習理論1755.5.2 隨機森林分類算法的理論與實例1775.5.3 隨機森林分類算法的sklearn實現1835.6 利用運動手環數據預測身體姿態1865.7 習題191第6章 回歸與邏輯回歸1936.1 線性回歸1936.1.1 相關與回歸1936.1.2 線性回歸分析1946.1.3 線性回歸方程參數的求法1966.1.4 線性回歸模型的sklearn實現2016.2 邏輯回歸2066.2.1 線性分類模型的原理2066.2.2 邏輯回歸模型及實例2096.3 邏輯回歸模型的sklearn實現2126.3.1 sklearn中的邏輯回歸模型2126.3.2 利用邏輯回歸模型預測是否錄取學生2146.4 利用邏輯回歸模型預測貸款違約行為2186.5 習題222第7章 人工神經網絡2237.1 與感知機2237.1.1 人與邏輯回歸模型2247.1.2 感知機模型2257.1.3 感知機模型的Python實現2277.1.4 多層感知機模型2287.2 人工神經網絡的核心要素2317.2.1 的激活函數2317.2.2 損失函數2337.2.3 網絡結構2357.2.4 反向傳播2367.3 人工神經網絡的sklearn實現2397.3.1 sklearn人工神經網絡模塊2397.3.2 利用人工神經網絡預測二手房銷售數據2407.4 深度學習與深度神經網絡2427.4.1 深度學習的概念和原理2437.4.2 TensorFlow概述2447.4.3

本書對機器學習算法的基本原理和Python程序實現進行了繫統的介紹，每種算法都采用Sklearn程序實現並用Matplotlib進行數據可視化。為了幫助讀者更加高效、直觀地學習，作者為本書錄制了13個微課視頻，讀者可以用手機掃描書中的二維碼進行觀看，也可以將視頻下載後進行觀看。本書共8章，包括機器學習概述、Python機器學習與可視化、關聯規則與推薦算法、聚類算法、分類算法、回歸與邏輯回歸、人工神經網絡、支持向量機等內容。本書可以作為高等院校機器學習和人工智能概論等課程的教材，也可作為機器學習算法入門讀者的自學用書，還可以作為人工智能等領域機器學習研究者和應用人員的參考書。