機器學習算法入門與編程實踐 (基於 Python·微課視頻版)

本書對機器學習算法的基本原理和Python程序實現進行了系統的介紹，
每種算法都採用Sklearn程序實現並用Matplotlib進行數據可視化。
為了幫助讀者更加高效、直觀地學習，作者為本書錄製了13個微課視頻，
讀者可以用手機掃描書中的二維碼進行觀看，也可以將視頻下載後進行觀看。

本書共8章，
包括機器學習概述、Python機器學習與可視化、關聯規則與推薦算法、
聚類算法、分類算法、回歸與邏輯回歸、人工神經網絡、支持向量機等內容。

本書可以作為高等院校機器學習和人工智能概論等課程的教材，
也可作為機器學習算法入門讀者的自學用書，
還可以作為人工智能等領域機器學習研究者和應用人員的參考書。

唐四薪畢

業於中南大學，獲計算機專業碩士研究生學位。
現為衡陽師範學院計算機學院雙師型教師，從事大數據分析和網頁製作的教學與研究，
主講“雲計算與大數據技術”等課程，主持兩項省級課題和多項地、廳級課題。
2012年開發的“電子商務安全”網絡課程獲湖南省現代教育技術應用競賽三等獎，
2012年申報的“電子商務專業網站開發類系列教材的建設”成果獲衡陽師範學院教學成果三等獎。
獨立編寫《基於Web標準的網頁設計與製作》一書，以第一作者的身份在《生物數學學報》
《生物信息學》《計算機系統應用》《計算機工程與科學》等雜誌上發表多篇論文。

前言
第1章  機器學習概述 1
1.1  機器學習的概念和步驟 1
1.1.1  機器學習的一般過程 2
1.1.2  機器學習的定義 4
1.1.3  機器學習的過程舉例 4
1.1.4  評估機器學習模型的效果 7
1.2  機器學習的預處理環節 9
1.2.1  收集相關樣本 10
1.2.2  數據預處理 10
1.2.3  數據標準化 12
1.2.4  數據降維 14
1.3  機器學習的類型 15
1.3.1  按完成的任務分類 15
1.3.2  按學習的過程分類 16
1.4  機器學習的發展歷史和應用領域 17
1.4.1  機器學習的發展歷史 17
1.4.2  機器學習的應用領域 20
1.5  習題 22
第2章  Python機器學習與可視化 24
2.1  Python程序入門 24
2.1.1  一些簡單的Python程序 24
2.1.2  序列數據結構 26
2.1.3  序列處理函數 28
2.1.4  函數和類 29
2.2  Python數據分析工具 32
2.2.1  Anaconda的使用 32
2.2.2  Spyder集成開發環境 33
2.2.3  NumPy庫 34
2.3  數據可視化——基於Matplotlib庫 37
2.3.1  繪製曲線圖 38
2.3.2  繪製散點圖等其他圖形 43
2.4  SciPy庫 47
2.5  sklearn庫 49
2.5.1  樣本及樣本的劃分 49
2.5.2  導入或創建數據集 53
2.5.3  數據預處理 56
2.5.4  數據的降維 59
2.5.5  調用機器學習模型 61
2.6  習題 63
第3章  關聯規則與推薦算法 65
3.1  關聯規則挖掘 65
3.1.1  基本概念 65
3.1.2  Apriori算法 68
3.1.3  Apriori算法的程序實現 72
3.1.4  FP-Growth算法 73
3.2  推薦系統及算法 77
3.2.1  協同過濾推薦算法 78
3.2.2  協同過濾推薦算法應用實例 81
3.3  利用協同過濾推薦算法實現電影節目推薦 85
3.4  習題 87
第4章  聚類 89
4.1  聚類的原理與實現 89
4.1.1  聚類的概念和類型 89
4.1.2  如何度量距離 89
4.1.3  聚類的基本步驟 93
4.2  層次聚類算法 97
4.2.1  層次聚類法舉例 98
4.2.2  層次聚類法的sklearn實現 99
4.3  K-means聚類算法 103
4.3.1  K-means聚類算法的原理和實例 104
4.3.2  K-means聚類算法的k值的確定 110
4.3.3  K-means聚類算法的sklearn實現 111
4.4  K-medoids聚類算法 112
4.4.1  K-medoids聚類算法的原理和實例 112
4.4.2  K-medoids聚類算法的sklearn實現 118
4.5  DBSCAN聚類算法 119
4.5.1  DBSCAN聚類算法的原理和實例 119
4.5.2  DBSCAN聚類算法的sklearn實現 124
4.6  利用聚類算法實現車牌識別 126
4.7  習題 129
第5章  分類 130
5.1  分類的基本原理 130
5.1.1  分類與聚類的區別 131
5.1.2  分類的步驟 132
5.1.3  分類模型預測結果評估 134
5.1.4  sklearn庫的常用分類算法 135
5.2  K-近鄰算法 136
5.2.1  K-近鄰算法的原理和實例 136
5.2.2  sklearn中分類模型的編程步驟 140
5.2.3  K-近鄰算法的sklearn實現 142
5.2.4  繪製分類邊界圖 144
5.2.5  確定的k值 146
5.3  樸素貝葉斯分類算法 147
5.3.1  樸素貝葉斯的原理與實例 148
5.3.2  樸素貝葉斯分類的常見問題 152
5.3.3  樸素貝葉斯分類算法的sklearn實現 154
5.4  決策樹分類算法 156
5.4.1  信息論基礎 157
5.4.2  ID3算法 162
5.4.3  C4.5算法 167
5.4.4  CART算法 171
5.4.5  決策樹分類算法的sklearn實現 173
5.5  隨機森林分類算法 175
5.5.1  集成學習理論 175
5.5.2  隨機森林分類算法的理論與實例 177
5.5.3  隨機森林分類算法的sklearn實現 183
5.6  利用運動手環數據預測身體姿態 186
5.7  習題 191
第6章  回歸與邏輯回歸 193
6.1  線性回歸 193
6.1.1  相關與回歸 193
6.1.2  線性回歸分析 194
6.1.3  線性回歸方程參數的求法 196
6.1.4  線性回歸模型的sklearn實現 201
6.2  邏輯回歸 206
6.2.1  線性分類模型的原理 206
6.2.2  邏輯回歸模型及實例 209
6.3  邏輯回歸模型的sklearn實現 212
6.3.1  sklearn中的邏輯回歸模型 212
6.3.2  利用邏輯回歸模型預測是否錄取學生 214
6.4  利用邏輯回歸模型預測貸款違約行為 218
6.5  習題 222
第7章  人工神經網絡 223
7.1  神經元與感知機 223
7.1.1  人工神經元與邏輯回歸模型 224
7.1.2  感知機模型 225
7.1.3  感知機模型的Python實現 227
7.1.4  多層感知機模型 228
7.2  人工神經網絡的核心要素 231
7.2.1  神經元的激活函數 231
7.2.2  損失函數 233
7.2.3  網絡結構 235
7.2.4  反向傳播 236
7.3  人工神經網絡的sklearn實現 239
7.3.1  sklearn人工神經網絡模塊 239
7.3.2  利用人工神經網絡預測二手房銷售數據 240
7.4  深度學習與深度神經網絡 242
7.4.1  深度學習的概念和原理 243
7.4.2  TensorFlow概述 244
7.4.3  卷積神經網絡 245
7.5  利用神經網絡進行手寫數字識別 248
7.6  習題 252
第8章  支持向量機 254
8.1  支持向量機的理論基礎 254
8.1.1  支持向量的超平面 255
8.1.2  SVM間隔及損失函數 256
8.1.3  非線性SVM與核函數 262
8.1.4  支持向量機分類的步驟 264
8.2  支持向量機的sklearn實現 264
8.2.1  繪製決策邊界 265
8.2.2  繪製SVM的分類界面 267
8.2.3  支持向量機參數對性能的影響 268
8.3  利用支持向量機實現人臉識別 273
8.4  習題 276
參考文獻 278