數據科學-機器學習如何數據掘金

“人工智能超入門叢書”致力於面向人工智能各技術方向零基礎的讀者，
內容涉及數據思維、數據科學、視覺感知、情感分析、搜索算法、強化學習、知識圖譜、專家系統等方向，
體系完整、內容簡潔、文字通俗，綜合介紹人工智能相關知識，並輔以程序代碼解決問題，使得零基礎的讀者快速入門。
本書是“人工智能超入門叢書”的一個分冊，以機器學習為主線，介紹如何利用機器學習進行數據分析。
全書內容共分7章，主要包括機器學習基本概念、數據分析相關基礎知識、機器學習解決四類問題
（回歸問題、分類問題、聚類問題、降維問題）的算法、神經網絡相關知識，並在附錄中對Python編程基礎知識、
數據相關數學知識以及Python實驗室Jupyter Lab的使用進行了介紹。
本書面向在人工智能方向零基礎的讀者，內容全面系統，語言通俗易懂，
配合典型程序操作練習，簡單易上手，能夠幫助讀者輕鬆認識和理解人工智能核心技術。
本書可以作為大學生以及想要走向人工智能工作崗位的技術人員的入門讀物，
也可作為青少年人工智能相關技術方向的課程教材，同時也可作為技術普及讀物供對人工智能技術感興趣的讀者閱讀。

龔超
工學博士，清華大學日本研究中心主任助理，
深圳清華大學研究院下一代互聯網研發中心核心成員，海口經濟學院雅和人居工程學院客座教授。
中國高科技產業化研究會理事、中國自動化學會普及工作委員會委員、中國人工智能學會中小學工作委員會委員、
教育部教育信息化教學應用實踐共同體項目特聘專家。
研究方向為人工智能優化算法，人工智能在數字化轉型中的應用等。
著有10本人工智能相關圖書，多家500強企業數字化轉型領域高級顧問，在國內外期刊上發表文章共計60餘篇。

畢樹人
中科院工學碩士，清華大學計算機系科研工程師。
主要從事數據庫、隱私計算和算法優化領域的研究，聚焦數據庫在隱私計算領域的應用。
前Opera高級技術專家，主導並參與了多個億級用戶的大型跨國項目。

楊華
中國人民大學博士，中國高科技產業化研究會理事會理事，
中國高科技產業化研究會人工智能產業技術創新聯盟副秘書長，
人工智能學會中小學工作委員會委員，
自動化學會普及工作委員會委員，
中國衛生信息與健康醫療大數據學會信息及應用安全防護分會副主任委員，
研究方向為信息安全與人工智能、人工智能產業化。

第1章 機器“學習” 001
1.1 數據科學、人工智能與機器學習 002
1.1.1 數據科學與機器學習 002
1.1.2 人工智能≠機器學習≠深度學習 005
1.2 機器學習概述 011
1.2.1 機器學習是什麼 011
1.2.2 機器學習學什麼 018
1.3 數據素養 021
1.3.1 何為數據素養 021
1.3.2 數據素養的維度劃分 023
第2章 數據基礎 025
2.1 先利其器 026
2.2 科學計算 029
2.2.1 向量與矩陣生成 029
2.2.2 向量與矩陣運算 035
2.3 數據分析 040
2.3.1 Series與DataFrame 040
2.3.2 文件的導入與處理 044
2.4 數據可視 047
2.4.1 基本圖形 047
2.4.2 畫圖點睛 052
第3章 回歸問題 057
3.1 什麼是回歸問題 058
3.1.1 回歸分析概述 058
3.1.2 最小二乘法 060
3.2 線性回歸 061
3.2.1 一元線性回歸 061
3.2.2 多元線性回歸 069
3.3 進階：可視化 075
第4章 分類問題 078
4.1 什麼是分類問題 079
4.2 近朱者赤近墨者黑的k近鄰 079
4.2.1 k近鄰算法基本原理 079
4.2.2 k近鄰算法實踐 085
4.3 通過熵解決分類的決策樹 087
4.3.1 決策樹與信息熵 087
4.3.2 決策樹案例與實踐 090
4.4 進階：距離 098
第5章 聚類問題 100
5.1 什麼是聚類 101
5.2 K均值聚類 103
5.2.1 K均值聚類原理 103
5.2.2 K均值聚類實踐 109
5.3 系統聚類 113
5.3.1 系統聚類原理 113
5.3.2 系統聚類實踐 118
5.4 進階：再談距離 120
第6章 降維問題 122
6.1 什麼是降維問題 123
6.2 主成分分析 124
6.2.1 主成分分析原理 124
6.2.2 主成分分析實踐 126
6.3 奇異值分解 131
6.3.1 奇異值分解原理 131
6.3.2 奇異值分解實踐 133
6.4 進階：特徵值與特徵向量 136
第7章 神經網絡 141
7.1 從神經元到感知機 142
7.1.1 從生物神經元到人工神經元 142
7.1.2 從單層感知機到多層感知機 146
7.2 神經網絡的運行原理 150
7.2.1 結構概述 150
7.2.2 前向傳播 151
7.2.3 反向傳播 155
7.3 神經網絡的參數說明與實踐 156
7.3.1 參數與超參數 156
7.3.2 解決分類與回歸問題 158
7.4 進階：反向傳播推導 163
附錄A Python基礎 166
A.1 運算符 167
A.1.1 基本算術運算符與數值型 167
A.1.2 關係運算符、邏輯運算符與布爾型 168
A.2 字符串與數據結構 170
A.2.1 字符串 170
A.2.2 列表 171
A.2.3 元組 172
A.2.4 字典 173
A.3 控制結構 174
A.3.1 if語句 174
A.3.2 while語句 175
A.3.3 for語句 176
A.3.4 多重循環 177
A.4 定義函數 178
附錄B 導數與代數基礎 179
B.1 導數 180
B.2 向量 183
B.3 矩陣 189
附錄C 騰訊扣叮Python實驗室：Jupyter Lab使用說明 196