●第一部分訓練篇
第1章初等編程訓練
1.1走出第一步
1.1.1最簡單的代碼
1.1.2更復雜的代碼
1.1.3函數的編寫
1.2隻使用基本函數的訓練
1.2.1簡單目標的訓練
1.2.2可轉成2維數字矩陣list的運算
1.3一些應用的編程訓練
1.3.1隨機遊走
1.3.2牛頓法求非線性方程解
1.3.3用三次插值法求函數極小值點
1.3.4用黃金分割法求函數在區間中的最小值
1.3.5最古老的偽隨機數產生器
1.4若干畫圖難點訓練
1.4.l用plt,pd,sns等3種畫圖模塊生成並排條形圖以及多圖排列
1.4.2用plt,pd,sns等3種畫圖模塊生成多重直方圖和密度估計圖
1.4.3更多的圖形排列訓練
第2章有監督學習概要
2.1介紹
2.2最簡單的回歸程序：最小二乘線性回歸
2.2.1最小二乘線性回歸模型的全部數學
2.2.2通過訓練理解最小二乘線性回歸繫數的意義
2.2.3關於矩陣秩及術語“多重共線性”及“線性相關”在數學及統計中含義不同的注
2.3分類變化
2.3化分類變量的編程
2.3化分類變量做最小二乘線性回歸
第3章以決策樹為載體的訓練
3.1引言
3.1.1一個決策樹回歸例子
3.1.2使數據變純是有監督學習建模的基本原則
3.2決策樹回歸：自變量均為數量變量
3.2.1競爭拆分變量的度量：數量變量的不純度
3.2.2尋找很優分割的變量和屬性
3.2.3彙總：數量自變量回歸決策樹生長全程序
3.2.4回歸決策樹預測及預測精度
3.3決策樹分類：自變量均為數量變量
3.3.1競爭拆分變量的度量：分類變量的不純度
3.3.2對前面程序的增補：尋找很優分割的變量和屬性
3.3.3分類決策樹的預測及預測精度
3.化分類自變量決策樹訓練
3.4.1引言
3.4.2分類變量的拆分方式概要
3.4.3分類變量競爭拆分變量編程訓練
3.4.4本節編程彙總成單獨的class
第4章交叉驗證及組合方法訓練
4.1引言
4.2多折交叉驗證
4.2.1回歸的多折交叉驗證
4.2.2分類的多折交叉驗證
4.3OOB交叉驗證
4.3.1自助法抽樣
4.3.2最簡單的組合模型和OOB誤差
4.3.3從bagging認識組合方法和OOB誤差
4.4梯度下降法及決策樹梯度增強回歸訓練
4.4.1梯度下降法
4.4.2梯度增強回歸
4.4.3兩個組合方法簡介
第5章以神經網絡為載體的訓練
5.1神經網絡簡介
5.1.1一個例子
5.1.2線性回歸和神經網絡的區別
5.1.3神經網絡是如何學習的
5.1.4簡單神經網絡的訓練
5.2有一個隱藏層的神經網絡及訓練
5.2.1一個隱藏層的神經網絡
5.2.2符號定義
5.2.3前向傳播
5.2.4反向傳播
5.2.5一個隱藏層神經網絡訓練
第二部分Python基本參考
第6章一些預備知識
6.1下載及安裝Python
6.2Anaconda的幾種界面
6.2.1使用Notebook
6.2.2使用Spyder
6.2.3使用IPython或者終端界面
6.3下載並安裝所需模塊
第7章Python基本函數
7.1一些基本常識
7.1.1利用os模塊獲得及改變你的工作目錄
7.1.2目錄的建立和刪除，文件的重命名和刪除
7.2數組(str,list,tuple,dict)及相關的函數和運算
7.2.素及下標
7.2.素及簡單循環語句
7.2.3一些和數組及字符串有關的函數和方法
7.2.4li素增減所用的函數
7.2.5tuple不能改變素，但可以和list互相轉換
7.2.6dict所用的一些函數
7.2.7zip使得數組運算更方便
7.2.8集合set及有關運算
7.3函數、自定義函數素的計算、循環語句
7.3.1更多的關於數組的函數
7.3.2函數的定義
7.3.3map和filter
7.3.4更多的函數例子
7.4偽隨機數模塊：random
7.5變量的存儲位置
7.6數據輸入輸出
7.6.1終端輸入輸出
7.6.2文件開啟、關閉和簡單讀寫
7.6.3文字文件內容的讀取
第8章類和子類簡介
8.1class
8.2subclass
第9章numpy模塊
9.1numpy數組的產生
9.1.1在numpy模塊中生成各種分布的偽隨機數
9.1.2從Python基本數組產生
9.1.3直接產生需要的數組
9.2數據文件的存取
9.3數組（包括矩陣）及有關的運算
9.3.1數組的維數、形狀及類型
9.3.2數組形狀的改變
9.3.3同維素的計算
……
