目錄
第1章　人工智能與計(jì)算思維　1
1.1　人工智能　1
1.2　機(jī)器學(xué)習(xí)　2
1.3　機(jī)器學(xué)習(xí)中的計(jì)算思維　6
1.4　本章小結(jié)　7
課后練習(xí)　7
第2章　機(jī)器學(xué)習(xí)理論基礎(chǔ)　8
2.1　數(shù)據(jù)集　8
2.1.1　描述空間、屬性、特征和維度　8
2.1.2　復(fù)合特征　9
2.1.3　特征空間降維　10
2.1.4　特征縮放及特征編碼　11
2.2　機(jī)器學(xué)習(xí)中對(duì)誤差的估計(jì)　12
2.3　代價(jià)函數(shù)、損失函數(shù)和目標(biāo)函數(shù)　14
2.4　數(shù)據(jù)預(yù)處理　14
2.5　Python中機(jī)器學(xué)習(xí)基本流程　15
2.6　sklearn的安裝　17
2.7　本章小結(jié)　19
課后練習(xí)　19
第3章　線性回歸模型　20
3.1　什么是線性回歸模型　20
3.2　簡單線性回歸模型　21
3.2.1　模型建立　21
3.2.2　不插電模擬模型訓(xùn)練　22
3.2.3　sklearn中使用簡單線性回歸模型　23
3.2.4　模型性能評(píng)價(jià)　24
3.3　多元線性回歸模型　26
3.3.1　模型建立　26
3.3.2　不插電使用梯度下降法求解系數(shù)　28
3.3.3　sklearn中使用多元線性回歸模型　30
3.4　多項(xiàng)式回歸　32
3.5　學(xué)習(xí)曲線　34
3.6　線性回歸模型中的計(jì)算思維　37
課后練習(xí)　38
第4章　邏輯回歸模型　40
4.1　Sigmoid函數(shù)　40
4.2　邏輯回歸的基本模型　40
4.3　邏輯回歸模型的代價(jià)函數(shù)　41
4.4　在sklearn中使用邏輯回歸模型進(jìn)行二元分類　42
4.5　廣義線性回歸模型的防止過擬合策略　43
4.5.1　正則式　43
4.5.2　在sklearn中使用L1和L2范數(shù)優(yōu)化模型　44
4.6　邏輯回歸中的計(jì)算思維　46
課后練習(xí)　47
第5章　KNN分類和回歸　48
5.1　KNN算法的模型　48
5.2　不插電使用KNN模型進(jìn)行分類　48
5.3　不插電使用KNN回歸模型　50
5.4　F1分?jǐn)?shù)　52
5.5　KNN中的特征標(biāo)準(zhǔn)化　56
5.6　KNN模型的計(jì)算思維　58
課后練習(xí)　59
第6章　樸素貝葉斯　60
6.1　貝葉斯公式　60
6.2　樸素貝葉斯模型　61
6.2.1　樸素貝葉斯模型的基本原理　61
6.2.2　不插電運(yùn)用樸素貝葉斯公式進(jìn)行分類預(yù)測　62
6.3　高斯樸素貝葉斯(Gaussian NB)　63
6.3.1　高斯樸素貝葉斯的原理　63
6.3.2　不插電運(yùn)用高斯樸素貝葉斯　65
6.4　sklearn中的樸素貝葉斯模型　67
6.5　在sklearn中使用NB模型　68
6.6　ROC曲線和AUC面積　70
6.7　樸素貝葉斯模型與計(jì)算思維　73
課后練習(xí)　73
第7章　決策樹和隨機(jī)森林　75
7.1　決策樹的表達(dá)方式　75
7.2　訓(xùn)練決策樹的算法　76
7.2.1　ID3算法的基本原理　76
7.2.2　不插電使用ID3算法構(gòu)建決策樹　76
7.2.3　C4.5算法　81
7.2.4　CART算法　82
7.3　sklearn中使用DecisionTreeClassifier和DecisionTreeRegression工具　83
7.3.1　sklearn中使用DecisionTreeClassifier　83
7.3.2　sklearn中使用DecisionTreeRegressor　84
7.4　隨機(jī)森林和集成學(xué)習(xí)　86
7.4.1　隨機(jī)森林　86
7.4.2　推進(jìn)法(boosting)　87
7.4.3　不插電應(yīng)用AdaBoost　88
7.5　決策樹中的計(jì)算思維　90
課后練習(xí)　91
第8章　感知器和人工神經(jīng)網(wǎng)絡(luò)ANN　92
8.1　感知器　92
8.1.1　感知器的基本原理　92
8.1.2　不插電訓(xùn)練單層感知器　94
8.2　多層感知器(MLP)　96
8.2.1　多層感知器的基本原理　96
8.2.2　不插電運(yùn)用兩層感知器解決XOR(異或)問題　97
8.3　反傳多層感知器　99
8.3.1　ANN的激勵(lì)函數(shù)　99
8.3.2　ANN的網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)構(gòu)成　100
8.3.3　ANN中的反傳學(xué)習(xí)算法(BP)　100
8.3.4　BP的不插電示例　104
8.4　使用sklearn的ANN工具　107
8.5　人工神經(jīng)網(wǎng)絡(luò)的計(jì)算思維　107
課后練習(xí)　109
第9章　支持向量機(jī)　111
9.1　支持向量機(jī)SVM的基本原理　111
9.1.1　SVM中用于分類的超平面　111
9.1.2　SVM的目標(biāo)函數(shù)　113
9.1.3　SVM的目標(biāo)函數(shù)求解　114
9.2　單層感知器的對(duì)偶形式　114
9.3　SVM的核函數(shù)　117
9.4　sklearn中使用SVM工具分類　118
課后練習(xí)　120
第10章　聚類　121
10.1　聚類算法的原理　121
10.2　K均值(K-means)聚類算法　122
10.2.1　K均值算法基本原理　122
10.2.2　利用K均值算法進(jìn)行不插電聚類　122
10.2.3　K值的選擇　126
10.3　模糊C均值(FCM)聚類算法　126
10.4　輪廓系數(shù)　128
10.5　使用sklearn的K均值算法對(duì)數(shù)據(jù)進(jìn)行聚類　129
10.6　聚類模型與計(jì)算思維　131
課后練習(xí)　131
第11章　主成分分析(PCA)降維　132
11.1　PCA的基本思想　132
11.2　協(xié)方差矩陣　133
11.3　PCA算法的實(shí)現(xiàn)　135
11.4　PCA降維算法的一個(gè)實(shí)例　136
11.5　調(diào)用sklearn的PCA模型來驗(yàn)證上述算法　138
11.6　PCA降維的計(jì)算思維　140
課后練習(xí)　140
部分課后習(xí)題答案　141
第3章　課后練習(xí)答案　141
第5章　課后練習(xí)答案　144
第6章　課后練習(xí)答案　146
第7章　課后練習(xí)答案　147
第8章　課后練習(xí)答案　148
第9章　課后練習(xí)答案　150
第10章　課后練習(xí)答案　151
第11章　課后練習(xí)答案　151
參考文獻(xiàn)　153