第1章　機(jī)器學(xué)習(xí)概述 1 1.1　什么是機(jī)器學(xué)習(xí) 2 1.2　機(jī)器學(xué)習(xí)的應(yīng)用 4 1.2.1　圖像和計(jì)算機(jī)視覺 4 1.2.2　日常生活及消費(fèi) 8 1.2.3　金融領(lǐng)域 9 1.2.4　醫(yī)療領(lǐng)域 9 1.2.5　自然語言處理 10 1.2.6　安全和異常行為監(jiān)測(cè) 12 1.2.7　工業(yè)和商業(yè)領(lǐng)域 13 1.2.8　娛樂領(lǐng)域 14 1.3　機(jī)器學(xué)習(xí)的主要研究內(nèi)容 15 1.4　機(jī)器學(xué)習(xí)問題的常規(guī)處理方法 16 1.4.1　開發(fā)機(jī)器學(xué)習(xí)應(yīng)用的 一般步驟 16 1.4.2　選擇合適的算法 18 1.4.3　使用Python開發(fā)機(jī)器 學(xué)習(xí)應(yīng)用 19 1.4.4　機(jī)器學(xué)習(xí)模型的評(píng)價(jià) 21 1.5　機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù) 挖掘和人工智能的關(guān)系 24 本章小結(jié) 26 思考題 26 第2章　Python機(jī)器學(xué)習(xí)基礎(chǔ)庫 27 2.1　Numpy 28 2.1.1　Numpy庫的安裝 28 2.1.2　Numpy庫的導(dǎo)入 28 2.1.3　創(chuàng)建數(shù)組 29 2.1.4　查詢數(shù)組類型 29 2.1.5　數(shù)組的其他創(chuàng)建方式 29 2.1.6　數(shù)組元素的存取 30 2.1.7　ufunc運(yùn)算 30 2.1.8　矩陣的運(yùn)算 30 2.2　Pandas 30 2.2.1　Pandas的安裝 31 2.2.2　Pandas的導(dǎo)入 31 2.2.3　Series 31 2.2.4　DataFrame 32 2.3　Matplotlib 32 2.3.1　Matplotlib的安裝 32 2.3.2　Matplotlib的導(dǎo)入 32 2.3.3　基本繪圖命令plot 33 2.3.4　繪制多窗口圖形 35 2.3.5　文本注釋 36 2.4　Scipy 37 2.4.1　Scipy的安裝 37 2.4.2　Scipy的導(dǎo)入 38 2.4.3　最小二乘法 38 2.4.4　非線性方程求解 40 2.5　Scikit-Learn 40 2.5.1　Scikit-Learn的安裝 41 2.5.2　Scikit-Learn的數(shù)據(jù)集 41 2.6　TensorFlow 42 2.6.1　TensorFlow的安裝 42 2.6.2　TensorFlow的使用 43 2.7　PyTorch 44 2.8　PaddlePaddle 44 本章小結(jié) 45 思考題 45 第3章　數(shù)據(jù)預(yù)處理 46 3.1　數(shù)據(jù)預(yù)處理概述 47 3.2　數(shù)據(jù)預(yù)分析 47 3.2.1　統(tǒng)計(jì)特性分析 48 3.2.2　數(shù)據(jù)質(zhì)量分析 49 3.3　數(shù)據(jù)清理 51 3.3.1　異常值處理 51 3.3.2　缺失值處理 51 3.4　數(shù)據(jù)集成 53 3.4.1　實(shí)體識(shí)別 53 3.4.2　冗余屬性識(shí)別 54 3.5　數(shù)據(jù)變換 54 3.5.1　簡(jiǎn)單函數(shù)變換 54 3.5.2　歸一化 54 3.5.3　連續(xù)屬性離散化 55 3.6　數(shù)據(jù)規(guī)約 58 3.6.1　屬性規(guī)約 58 3.6.2　數(shù)值規(guī)約 60 3.7　Python的主要數(shù)據(jù)預(yù)處理函數(shù) 60 本章小結(jié) 61 思考題 61 第4章　K近鄰算法 62 4.1　模型介紹 63 4.1.1　算法概述 63 4.1.2　算法基本原理 63 4.1.3　算法實(shí)現(xiàn)代碼 65 4.2　案例一　約會(huì)網(wǎng)站配對(duì) 66 4.2.1　問題介紹 66 4.2.2　數(shù)據(jù)準(zhǔn)備 67 4.2.3　算法實(shí)現(xiàn) 70 4.2.4　算法測(cè)試 71 4.2.5　算法應(yīng)用 72 4.3　案例二　手寫數(shù)字識(shí)別 73 4.3.1　問題介紹 73 4.3.2　數(shù)據(jù)準(zhǔn)備 73 4.3.3　算法實(shí)現(xiàn) 74 4.4　案例三　鳶尾花品種識(shí)別 76 4.4.1　問題介紹 76 4.4.2　數(shù)據(jù)準(zhǔn)備 76 4.4.3　算法實(shí)現(xiàn) 78 本章小結(jié) 79 思考題 79 第5章　樸素貝葉斯 80 5.1　模型介紹 81 5.1.1　貝葉斯決策理論基礎(chǔ) 81 5.1.2　使用樸素貝葉斯進(jìn)行分類 82 5.1.3　樸素貝葉斯分類器的特點(diǎn) 83 5.2　案例四　社區(qū)留言板文本分類 84 5.2.1　案例介紹 84 5.2.2　數(shù)據(jù)準(zhǔn)備 84 5.2.3　概率計(jì)算 86 5.2.4　算法改進(jìn) 87 5.2.5　改進(jìn)后的樸素貝葉斯 分類器應(yīng)用 89 5.3　案例五　舊金山犯罪分類預(yù)測(cè) 90 5.3.1　案例介紹 90 5.3.2　數(shù)據(jù)準(zhǔn)備 91 5.3.3　模型實(shí)現(xiàn) 92 本章小結(jié) 93 思考題 93 第6章　決策樹 94 6.1　模型介紹 95 6.1.1　決策樹概述 95 6.1.2　決策樹數(shù)學(xué)基礎(chǔ) 100 6.1.3　決策樹算法 102 6.2　案例六　魚類和非魚類判定 103 6.2.1　案例介紹 103 6.2.2　案例實(shí)現(xiàn) 104 6.3　案例七　貸款權(quán)限判定 114 6.3.1　案例介紹 114 6.3.2　案例實(shí)現(xiàn) 115 本章小結(jié) 119 思考題 119 第7章　隨機(jī)森林 121 7.1　模型介紹 122 7.1.1　隨機(jī)森林的歷史 122 7.1.2　隨機(jī)森林原理 122 7.1.3　構(gòu)建隨機(jī)森林 123 7.1.4　隨機(jī)森林模型的性能評(píng)估 124 7.1.5　隨機(jī)森林的應(yīng)用 125 7.1.6　隨機(jī)森林的Python常用庫 125 7.2　案例八　聲吶信號(hào)分類 126 7.2.1　案例介紹 126 7.2.2　案例實(shí)現(xiàn) 127 7.3　案例九　泰坦尼克號(hào)幸存者預(yù)測(cè) 132 7.3.1　案例介紹 132 7.3.2　案例實(shí)現(xiàn) 133 本章小結(jié) 139 思考題 139 第8章　AdaBoost模型 140 8.1　模型介紹 141 8.1.1　AdaBoost原理 141 8.1.2　AdaBoost的算法流程 142 8.1.3　AdaBoost的Python常用庫 144 8.2　案例十　馬疝病預(yù)測(cè) 146 8.2.1　案例介紹 146 8.2.3　案例實(shí)現(xiàn) 146 8.3　案例十一　學(xué)生課程成績預(yù)測(cè) 149 8.3.1　案例介紹 149 8.3.2　案例實(shí)現(xiàn) 150 本章小結(jié) 154 思考題 154 第9章　支持向量機(jī) 155 9.1　線性支持向量機(jī) 156 9.1.1　間隔與支持向量 156 9.1.2　對(duì)偶問題 158 9.1.3　SMO算法 159 9.2　非線性分類 170 9.2.1　核函數(shù)概述 170 9.2.2　高斯徑向基核函數(shù) 171 9.3　案例十二　手寫數(shù)字識(shí)別 175 本章小結(jié) 179 思考題 179 第10章　人工神經(jīng)網(wǎng)絡(luò) 180 10.1　從感知機(jī)到多層感知機(jī) 181 10.1.1　神經(jīng)元和感知機(jī) 181 10.1.2　多層感知機(jī) 183 10.2　激活函數(shù)和損失函數(shù) 184 10.2.1　激活函數(shù) 184 10.2.2　損失函數(shù) 186 10.3　反向傳播算法 187 10.4　案例十三　手寫數(shù)字識(shí)別 188 10.4.1　數(shù)據(jù)準(zhǔn)備 188 10.4.2　網(wǎng)絡(luò)配置 189 10.4.3　模型訓(xùn)練 190 10.4.4　模型使用 193 本章小結(jié) 195 思考題 195 第11章　K均值聚類 196 11.1　模型介紹 197 11.1.1　模型概述 197 11.1.2　基本的K均值聚類算法 197 11.1.3　K均值聚類算法的代碼實(shí)現(xiàn) 198 11.1.4　二分K均值算法 202 11.2　案例十四　居民家庭消費(fèi)調(diào)查 204 11.2.1　案例介紹 204 11.2.2　案例實(shí)現(xiàn) 205 11.3　案例十五　物流公司最佳 配送路徑問題 207 本章小結(jié) 210 思考題 210 第12章　財(cái)政收入影響因素分析及 預(yù)測(cè)案例 212 12.1　案例引入 213 12.2　模型介紹 213 12.3　案例操作 215 12.3.1　案例步驟 215 12.3.2　案例實(shí)現(xiàn) 215 本章小結(jié) 221 思考題 221 第13章　偷稅漏稅行為識(shí)別分析案例 222 13.1　案例引入 223 13.2　模型介紹 223 13.3　案例操作 224 13.3.1　案例步驟 224 13.3.2　案例實(shí)現(xiàn) 224 本章小結(jié) 232 思考題 232 附錄A　Python的安裝與環(huán)境配置 233 A.1　Python的官方安裝 233 A.1.1　Python的官方下載 233 A.1.2　Python的官方安裝 235 A.1.3　手動(dòng)配置環(huán)境變量 239 A.2　Anaconda的安裝 242 A.2.1　Anaconda的下載 242 A.2.2　Anaconda的安裝 244 A.2.3　手動(dòng)配置Anaconda的環(huán)境 ?變量 250 A.2.4　Anaconda的運(yùn)行 250 附錄B　Python開發(fā)工具的安裝 252 B.1　Jupyter Notebook的安裝 252 B.1.1　Jupyter Notebook的下載和 安裝 252 B.1.2　Jupyter Notebook的運(yùn)行 255 B.2　PyCharm的安裝 257 B.2.1　PyCharm的下載 257 B.2.2　PyCharm的安裝 259