圖說圖解機器學習（第2版）

第1章?人工智能及機器學習概述
1.1?人工智能概述
1.1.1?人工智能簡史
1.1.2?人工智能是什麽
1.1.3?人工智能的能力
1.2?機器學習概述
1.2.1?機器學習是什麽
1.2.2?機器學習的任務
1.2.3?學習任務
1.2.4?機器學習要解決的基本問題
1.2.5?機器學習如何優化模型
1.2.6?機器學習工作流程
1.2.7?需要的知識
1.3?深度學習概述
1.4?機器學習與統計學
1.5?課後練習
第2章?機器學習基礎知識
2.1?數學基礎
2.1.1?數據的分類
2.1.2?基本統計學術語
2.1.3?回歸
2.1.4?最小二乘法
2.1.5?判斷擬合好壞
2.1.6?小結
2.2?讀圖
2.2.1?數值數據的分布
2.2.2?分類數據的分布
2.3?KNIME
2.3.1?KNIME 簡介
2.3.2?下載和安裝
2.3.3?KNIME基本使用
2.3.4?小結
2.4?課後練習
第3章?線性回歸
3.1?簡單線性回歸
3.1.1?場景說明
3.1.2?KNIME 建立工作流
3.1.3?數據獲取
3.1.4?觀察數據
3.1.5?數據集劃分
3.1.6?模型訓練
3.1.7?模型測試
3.1.8?損失函數
3.2?多元線性回歸初步
3.2.1?任務及數據說明
3.2.2?建立基準工作流
3.2.3?讀取並觀察數據
3.2.4?整合界面
3.3?多元線性回歸進階
3.3.1?優化模型
3.3.2?“Forward Feature Selection” Metanode詳細介紹
3.3.3?模型解釋
3.3.4?特征歸一化
3.3.5?使用 KNIME實現歸一化
3.3.6?相關系數
3.4?課後練習
第4章?邏輯回歸
4.1?邏輯回歸基本概念
4.1.1?分類問題
4.1.2?從線性回歸到邏輯回歸
4.1.3?判定邊界
4.1.4?KNIME工作流
4.1.5?讀取數據
4.1.6?數據處理
4.1.7?模型訓練及測試
4.1.8?模型評價
4.2?邏輯回歸實戰
4.2.1?泰坦尼克號生存問題背景介紹
4.2.2??讀取數據
4.2.3?數據預處理
4.2.4?數據可視化及刪除無關列
4.2.5?模型訓練和測試
4.2.6?模型評價
4.2.7?模型解釋
4.3?課後練習
第5章?模型優化
5.1?梯度下降
5.1.1?損失函數
5.1.2?使用 KNIME 優化模型
5.2?正則化
5.2.1?準確性和健壯性
5.2.2?覆雜的模型
5.2.3?欠擬合和過擬合
5.2.4?正則化防止過擬合
5.2.5?使用 KNIME 設置正則化
5.3?模型評價
5.3.1?混淆矩陣
5.3.2?F1分數
5.3.3?ROC曲線和 AUC
5.4?課後練習
第6章?支持向量機
6.1?支持向量機基本概念
6.1.1?支持向量機是什麽
6.1.2?支持向量是什麽
6.1.3?邏輯回歸與支持向量機的比較
6.1.4??核
6.1.5?線性核模型調參
6.1.6?非線性核模型調參
6.1.7?C 與 γ
6.2?SVM初戰
6.2.1?問題說明
6.2.2?建立工作流
6.2.3?數據觀察
6.2.4?模型訓練與測試
6.2.5?觀察結果
6.3?支持向量機解決泰坦尼克號問題
6.3.1?歸一化
6.3.2?核函數
6.3.3?建立工作流
6.3.4?模型調參
6.4?課後練習
第7章?樹類算法
7.1?決策樹簡介
7.1.1?決策樹的特點
7.1.2?防止過擬合
7.1.3?問題解析
7.1.4?奧卡姆剃刀
7.1.5?提前結束
7.1.6?集成學習
7.2?使用決策樹解決泰坦尼克號生存問題
7.3?決策樹高級應用實戰?—?特征工程
7.3.1?探索性數據分析
7.3.2?特征工程
7.3.3?異常數據處理
7.4?決策樹高級應用實戰?—?模型建立與比較
7.4.1?決策樹
7.4.2?袋裝
7.4.3?隨機森林
7.4.4?提升
7.5?課後練習
第8章?深入理解決策樹
8.1?決策樹進階
8.1.1?如何構建決策樹
8.1.2?ID3 算法決定什麽是最好的
8.1.3?CART 算法決定什麽最好
8.1.4?KNIME 設置
8.2?數據不平衡問題優化
8.2.1?對多數數據降采樣
8.2.2?對少數數據過采樣
8.2.3?SMOTE 算法
8.3?課後練習
第9章?貝葉斯分析
9.1?貝葉斯定理
9.1.1?基本術語
9.1.2?條件概率
9.1.3?全概率公式
9.1.4?貝葉斯定理
9.1.5?試水情感分析
9.2?貝葉斯算法解決銀行客戶分類問題
9.2.1?工作流
9.2.2?貝葉斯算法的學習器節點
9.3?情感分析案例
9.3.1?安裝插件
9.3.2?建立工作流
9.4?課後練習
第10章?計算機視覺與自然語言處理
10.1?深度學習簡介
10.1.1?深度學習的關鍵
10.1.2?我們的目標
10.1.3?深度學習原理概述
10.2?計算機視覺著名的卷積神經網絡
10.2.1?LeNet-5
10.2.2?AlexNet
10.2.3?VggNet
10.2.4?GoogLeNet
10.2.5?ResNet
10.3?KNIME 實現卷積神經網絡
10.3.1?環境構建
10.3.2?安裝所需的工具
10.3.3?步驟分析
10.4?自然語言處理
10.4.1?自然語言怎麽數字化
10.4.2?知識準備：特征提取
10.5?KNIME實現自然語言處理
10.5.1?初步體驗
10.5.2?步驟分析
10.6?大語言模型
10.6.1?KNIME AI助手
10.6.2?KNIME AI 插件
10.7?課後練習
  參考文獻