第1章 機器學習概述
1.1  機器學習的發(fā)展：人工智能中的機器學習
1.2  機器學習中的數(shù)據(jù)
1.3  機器學習的任務(wù)
第2章 Python機器學習基礎(chǔ)
2.1  Python：機器學習的首選工具
2.2  Python的集成開發(fā)環(huán)境：Anaconda
2.3  Python第三方程序包的引用
2.4  NumPy使用示例
2.5  Pandas使用示例
2.6  NumPy和Pandas的綜合應(yīng)用：空氣質(zhì)量監(jiān)測數(shù)據(jù)的預(yù)處理
   和基本分析
2.7  Matplotlib的綜合應(yīng)用：空氣質(zhì)量監(jiān)測數(shù)據(jù)的圖形化展示
第3章 數(shù)據(jù)預(yù)測中的相關(guān)問題
3.1  線性回歸預(yù)測模型
3.2  認識線性分類預(yù)測模型
3.3  從線性預(yù)測模型到非線性預(yù)測模型
3.4  預(yù)測模型的參數(shù)估計
3.5  預(yù)測模型的選擇
第4章 數(shù)據(jù)預(yù)測建模：貝葉斯分類器
4.1  貝葉斯概率和貝葉斯法則
4.2  樸素貝葉斯分類器
4.3  樸素貝葉斯分類器在文本分類中的應(yīng)用
第5章 數(shù)據(jù)預(yù)測建模：近鄰分析
5.1  近鄰分析：K- 近鄰法
5.2  回歸預(yù)測中的K- 近鄰法
5.3  分類預(yù)測中的K- 近鄰法
5.4  基于觀測相似性的加權(quán)K- 近鄰法
5.5  K- 近鄰法的Python應(yīng)用實踐
第6章 數(shù)據(jù)預(yù)測建模：決策樹
6.1  決策樹的基本概念
6.2  回歸預(yù)測中的決策樹
6.3  分類預(yù)測中的決策樹
6.4  決策樹的生長和剪枝
6.5  經(jīng)典決策樹算法：分類回歸樹
6.6  決策樹的Python 應(yīng)用實踐
第7章 數(shù)據(jù)預(yù)測建模：集成學習
7.1  集成學習概述
7.2  基于重抽樣自舉法的集成學習
7.3  從弱模型到強模型的構(gòu)建：提升法
7.4  梯度提升樹
7.5  XGBoost算法
第8章 數(shù)據(jù)預(yù)測建模：人工神經(jīng)網(wǎng)絡(luò)
8.1  人工神經(jīng)網(wǎng)絡(luò)的基本概念
8.2  感知機網(wǎng)絡(luò)
8.3  多層感知機網(wǎng)絡(luò)
8.4  B-P反向傳播算法
8.5  人工神經(jīng)網(wǎng)絡(luò)的Python應(yīng)用實踐
第9章 數(shù)據(jù)預(yù)測建模：支持向量機
9.1  支持向量分類概述
9.2  完全線性可分時的支持向量分類
9.3  廣義線性可分時的支持向量分類
9.4  線性不可分時的支持向量分類
9.5  支持向量機的Python應(yīng)用實踐：老年人危險體位預(yù)警
第10章 特征選擇：過濾、包裹和嵌入策略
10.1  過濾式策略下的特征選擇
10.2  包裹式策略下的特征選擇
10.3  嵌入式策略下的特征選擇
第11章 特征提�。嚎臻g變換策略
11.1  主成分分析
11.2  矩陣的奇異值分解
11.3  因子分析
第12章 揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu)：聚類分析
12.1  聚類分析概述
12.2  基于質(zhì)心的聚類模型：K-均值聚類
12.3  基于聯(lián)通性的聚類模型：系統(tǒng)聚類
12.4  基于密度的聚類：DBSCAN聚類
12.5  聚類分析的Python應(yīng)用實踐：環(huán)境污染的區(qū)域特征分析