第一篇 鑄刀
第1章 初識(shí)機(jī)器學(xué)習(xí)
本章導(dǎo)讀
知識(shí)要點(diǎn)
1．1 什么是機(jī)器學(xué)習(xí)
1．2 機(jī)器學(xué)習(xí)的工作流程
1．2．1 準(zhǔn)備數(shù)據(jù)集
1．2．2 進(jìn)行模型訓(xùn)練
1．2．3 模型評(píng)估
1．3 假設(shè)空間和歸納偏好
1．3．1 假設(shè)空間
1．3．2 歸納偏好
1．4 發(fā)展歷程
1．4．1 決策樹的命運(yùn)變遷
1．4．2 神經(jīng)網(wǎng)絡(luò)的眾多名稱和命運(yùn)變遷
1．5 應(yīng)用現(xiàn)狀
新手問答
本章小結(jié)
第2章 機(jī)器學(xué)習(xí)之刃TensorFlow
本章導(dǎo)讀
知識(shí)要點(diǎn)
2．1 認(rèn)識(shí)TensorFlow
2．2 TensorFlow的安裝與工作原理
2．2．1 TensorFlow安裝圖解
2．2．2 TensorFlow的工作原理
2．2．3 什么是計(jì)算圖
2．2．4 什么是會(huì)話
2．2．5 什么是張量
2．3 常量、變量和占位符
2．3．1 基本概念
2．3．2 基本運(yùn)算
2．4 操作矩陣
2．4．1 矩陣的創(chuàng)建
2．4．2 矩陣的運(yùn)算
2．4．3 矩陣的分解和特征值
2．5 使用激活函數(shù)
2．5．1 什么是激活函數(shù)
2．5．2 Sigmoid函數(shù)
2．5．3 Tanh函數(shù)
2．5．4 Relu函數(shù)
2．5．5 Softplus函數(shù)
2．6 讀取數(shù)據(jù)源
2．6．1 通過Excel表導(dǎo)入數(shù)據(jù)集
2．6．2 通過CSV文件導(dǎo)入數(shù)據(jù)集
2．6．3 通過庫中自帶的數(shù)據(jù)集導(dǎo)入數(shù)據(jù)集
2．6．4 導(dǎo)入圖片數(shù)據(jù)集
2．6．5 將數(shù)據(jù)集通過URL自動(dòng)進(jìn)行下載
新手問答
牛刀小試
本章小結(jié)
第3章 數(shù)據(jù)分析基礎(chǔ)
本章導(dǎo)讀
知識(shí)要點(diǎn)
3．1 認(rèn)識(shí)Numpy和Pandas
3．2 Numpy的基本使用
3．2．1 創(chuàng)建ndarray數(shù)組
3．2．2 運(yùn)用ndarray數(shù)組
3．3 Pandas的基本使用
3．3．1 Series數(shù)據(jù)結(jié)構(gòu)
3．3．2 DataFrame數(shù)據(jù)結(jié)構(gòu)
新手問答
牛刀小試
本章小結(jié)
第4章 模型的評(píng)價(jià)與評(píng)估
本章導(dǎo)讀
知識(shí)要點(diǎn)
4．1 損失函數(shù)
4．1．1 最小二乘
4．1．2 梯度下降
4．2 經(jīng)驗(yàn)誤差與擬合
4．3 數(shù)據(jù)集劃分
4．3．1 留出法
4．3．2 交叉驗(yàn)證法
4．3．3 自助法
4．4 調(diào)參與最終模型
4．5 模型性能度量
4．5．1 均方誤差
4．5．2 錯(cuò)誤率與精確度
4．5．3 準(zhǔn)確度、靈敏度與F1
4．5．4 受試者工作特征與AUC
4．5．5 代價(jià)敏感錯(cuò)誤率與代價(jià)曲線
4．6 比較檢驗(yàn)
4．6．1 假設(shè)檢驗(yàn)
4．6．2 麥克尼馬爾變化顯著性檢驗(yàn)
4．7 偏差與方差
4．8 不同學(xué)習(xí)模型下的模型評(píng)價(jià)與評(píng)估
4．8．1 不同學(xué)習(xí)模型下的數(shù)據(jù)集劃分
4．8．2 不同學(xué)習(xí)模型下的模型評(píng)價(jià)
新手問答
牛刀小試
本章小結(jié)
第5章 數(shù)據(jù)準(zhǔn)備
本章導(dǎo)讀
知識(shí)要點(diǎn)
5．1 數(shù)據(jù)探索
5．1．1 數(shù)據(jù)質(zhì)量分析
5．1．2 數(shù)據(jù)特征分析
5．2 數(shù)據(jù)預(yù)處理
5．2．1 數(shù)據(jù)清洗
5．2．2 數(shù)據(jù)集成
5．2．3 數(shù)據(jù)變換
5．2．4 數(shù)據(jù)規(guī)約
新手問答
牛刀小試
本章小結(jié)

第二篇 招式
第6章 回歸
本章導(dǎo)讀
知識(shí)要點(diǎn)
6．1 回歸分析算法的基礎(chǔ)知識(shí)
6．1．1 回歸與擬合
6．1．2 汽車油耗數(shù)據(jù)集準(zhǔn)備
6．1．3 在Excel中添加回歸趨勢(shì)線預(yù)測(cè)
6．2 線性回歸
6．2．1 線性回歸的基本原理
6．2．2 線性回歸模型實(shí)現(xiàn)之最小二乘法
6．2．3 線性回歸模型實(shí)現(xiàn)之梯度下降法
6．2．4 線性回歸模型在油耗預(yù)測(cè)中的應(yīng)用
6．3 邏輯回歸
6．3．1 邏輯回歸的基本原理
6．3．2 邏輯回歸與線性回歸的區(qū)別
6．3．3 邏輯回歸模型實(shí)現(xiàn)
6．4 戴明回歸
6．4．1 戴明回歸的基本原理
6．4．2 戴明回歸的模型實(shí)現(xiàn)
6．5 回歸模型的評(píng)估
6．5．1 平均誤差
6．5．2 平均絕對(duì)誤差
6．5．3 解釋回歸模型的方差
6．5．4 R2確定系數(shù)
新手問答
牛刀小試
本章小結(jié)
第7章 分類
本章導(dǎo)讀
知識(shí)要點(diǎn)
7．1 分類算法的基礎(chǔ)知識(shí)
7．1．1 分類的基本思想
7．1．2 貸款違約風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)準(zhǔn)備
7．2 決策樹分類器
7．2．1 決策樹模型原理
7．2．2 信息增益
7．2．3 ID3決策樹原理
7．2．4 ID3決策樹模型的實(shí)現(xiàn)
7．2．5 決策樹模型的可視化
7．2．6 CART決策樹原理
7．2．7 CART決策樹模型的實(shí)現(xiàn)
7．3 樸素貝葉斯分類器
7．3．1 預(yù)測(cè)貸款違約數(shù)據(jù)準(zhǔn)備
7．3．2 條件概率與貝葉斯公式
7．3．3 極大似然估計(jì)
7．3．4 高斯貝葉斯模型的實(shí)現(xiàn)
7．3．5 多項(xiàng)式貝葉斯模型的實(shí)現(xiàn)
7．3．6 伯努利貝葉斯模型的實(shí)現(xiàn)
7．4 分類模型的評(píng)估
7．4．1 混淆矩陣
7．4．2 精確度與敏感度
7．4．3 分類報(bào)告
新手問答
牛刀小試
本章小結(jié)
第8章 聚類
本章導(dǎo)讀
知識(shí)要點(diǎn)
8．1 聚類分析的基礎(chǔ)知識(shí)
8．1．1 聚類分析的基本思想
8．1．2 聚類分析的距離計(jì)算
8．1．3 基站商圈數(shù)據(jù)準(zhǔn)備
8．2 K-means算法
8．2．1 K-means算法原理
8．2．2 K-means算法的應(yīng)用
8．3 層次聚類
8．3．1 層次聚類的原理
8．3．2 層次聚類算法的應(yīng)用
8．4 密度聚類
8．4．1 密度聚類原理
8．4．2 密度聚類算法的應(yīng)用
8．5 聚類分析模型評(píng)估
8．5．1 外部度量
8．5．2 內(nèi)部評(píng)估
新手問答
牛刀小試
本章小結(jié)
第9章 支持向量機(jī)
本章導(dǎo)讀
知識(shí)要點(diǎn)
9．1 支持向量機(jī)的基礎(chǔ)知識(shí)
9．1．1 支持向量機(jī)概述
9．1．2 鳶尾花數(shù)據(jù)準(zhǔn)備
9．2 支持向量機(jī)的分類
9．2．1 支持向量機(jī)分類基礎(chǔ)
9．2．2 SVM分類算法庫
9．2．3 線性可分問題下的支持向量機(jī)分類原理
9．2．4 廣義線性的支持向量機(jī)分類原理
9．2．5 非線性的支持向量機(jī)分類原理
9．3 支持向量機(jī)回歸機(jī)
9．3．1 支持向量機(jī)回歸機(jī)概述
9．3．2 SVM回歸算法庫
9．3．3 支持向量機(jī)回歸機(jī)的應(yīng)用
9．4 支持向量機(jī)模型評(píng)估
9．4．1 R2系數(shù)
9．4．2 建立模型準(zhǔn)確度評(píng)測(cè)
9．4．3 混淆矩陣
9．4．4 建立模型分類報(bào)告
新手問答
牛刀小試
本章小結(jié)
第10章 機(jī)器的大腦“神經(jīng)網(wǎng)絡(luò)”
本章導(dǎo)讀
知識(shí)要點(diǎn)
10．1 神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)
10．1．1 神經(jīng)網(wǎng)絡(luò)的歷史
10．1．2 神經(jīng)元模型
10．1．3 激活函數(shù)
10．2 神經(jīng)網(wǎng)絡(luò)
10．2．1 神經(jīng)網(wǎng)絡(luò)的基本概念
10．2．2 單層神經(jīng)網(wǎng)絡(luò)的原理
10．2．3 隱藏層
10．2．4 多層感知網(wǎng)絡(luò)的原理
10．3 BP神經(jīng)網(wǎng)絡(luò)
10．3．1 BP神經(jīng)網(wǎng)絡(luò)的基本原理
10．3．2 算法演繹推導(dǎo)
10．3．3 BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
新手問答
牛刀小試
本章小結(jié)
第11章 卷積神經(jīng)網(wǎng)絡(luò)
本章導(dǎo)讀
知識(shí)要點(diǎn)
11．1 卷積神經(jīng)網(wǎng)絡(luò)的基本概念
11．1．1 卷積神經(jīng)網(wǎng)絡(luò)基本原理
11．1．2 卷積運(yùn)算原理
11．1．3 激活層
11．1．4 池化
11．2 卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
11．2．1 需求背景介紹
11．2．2 數(shù)據(jù)準(zhǔn)備
11．2．3 模型建立
11．2．4 模型的訓(xùn)練和評(píng)估
11．2．5 模型優(yōu)化
新手問答
牛刀小試
本章小結(jié)

第三篇 實(shí)戰(zhàn)
第12章 讓機(jī)器預(yù)測(cè)房價(jià)
本章導(dǎo)讀
知識(shí)要點(diǎn)
12．1 目標(biāo)與計(jì)劃
12．1．1 房價(jià)數(shù)據(jù)的特征和維度
12．1．2 制訂機(jī)器學(xué)習(xí)計(jì)劃
12．2 獲取數(shù)據(jù)
12．2．1 獲取原始數(shù)據(jù)
12．2．2 數(shù)據(jù)探索
12．2．3 數(shù)據(jù)清洗
12．2．4 訓(xùn)練/測(cè)試集劃分
12．2．5 數(shù)據(jù)變換
12．3 建立線性回歸模型
12．4 模型評(píng)估
12．4．1 訓(xùn)練集評(píng)估
12．4．2 測(cè)試集評(píng)估
12．5 項(xiàng)目結(jié)論
本章小結(jié)
第13章 人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
本章導(dǎo)讀
知識(shí)要點(diǎn)
13．1 目標(biāo)與計(jì)劃
13．1．1 目標(biāo)圖像集的大小和類別
13．1．2 機(jī)器學(xué)習(xí)模型的選擇
13．1．3 制訂機(jī)器學(xué)習(xí)計(jì)劃
13．2 獲取數(shù)據(jù)集
13．2．1 下載數(shù)據(jù)集
13．2．2 數(shù)據(jù)的清洗和準(zhǔn)備
13．2．3 劃分訓(xùn)練集與測(cè)試集
13．3 建立圖像識(shí)別模型
13．3．1 確定損失函數(shù)
13．3．2 卷積層的設(shè)置
13．3．3 激活函數(shù)的選擇
13．3．4 池化的類型
13．3．5 模型的訓(xùn)練
13．4 模型評(píng)估
13．4．1 中間結(jié)果的可視化
13．4．2 收斂的判定
13．4．3 交叉驗(yàn)證
本章小結(jié)
附錄 TensorFlow常用函數(shù)
參考文獻(xiàn)