機器學習基礎與實踐

本課程從實踐角度考慮，結合部分數學統計學知識講解最經典的機器學習算法，主要內容是機器學習思想在具體項目上的示例和代碼實現、如何做算法的參數調試和分析各種算法的選擇等。本課程重視項目實踐如工業實踐、算法競賽實踐等，重視落地，使學生在實踐中思考不同算法之間的區別和聯系，提高在實際工作中選擇算法的能力。本課程實踐項目涉及信用卡欺詐、公共自行車租賃、波士頓房價、地鐵人流量預測、廣告點擊率、O2O電商優惠券核銷、美國人口普查及收入預測等18個實踐案例。

山西大學認知科學哲學方向碩士。
主要從事人工智能算法方向的研究工作，具有豐富的人工智能教育類項目管理經驗和高校授課經驗。
在CSSCI中文核心期刊《科學技術哲學研究》發表《對笛卡爾預設批判與重建》一文。

目錄

第1章機器學習概覽1
1.1人工智能技術發展史和機器學習定義1
1.2必要的基礎概念3
1.3機器學習項目工作流程5
1.4機器學習任務場景6
小結與討論8
習題8

第2章特徵工程方法9
2.1特徵類型9
2.2特徵處理10
2.3特徵選擇11
2.4案例1： 北京房價數據特徵工程12
2.4.1案例介紹12
2.4.2案例目標13
2.4.3案例拆解13
2.5案例2: 泰坦尼克號乘客逃生數據特徵工程16
2.5.1案例介紹16
2.5.2案例目標17
2.5.3案例拆解17
小結與討論20
習題20

第3章決策樹21
3.1決策樹實現過程21
3.2決策樹的目標函數24
3.3案例1: 鳶尾花分類26
3.3.1案例介紹26
3.3.2案例目標26
3.3.3案例拆解26
3.4案例2: 信用卡欺詐預測31
3.4.1案例介紹31
3.4.2案例目標31
3.4.3案例拆解31
小結與討論41
習題42

第4章K最近鄰43
4.1K最近鄰實現43
4.2距離度量45
4.3案例1: O2O優惠券使用日期預測46
4.3.1案例介紹46
4.3.2案例目標46
4.3.3案例拆解47
4.4案例2: 葡萄酒原產地預測52
4.4.1案例介紹52
4.4.2案例目標52
4.4.3案例拆解52
小結與討論61
習題61

第5章支持向量機62
5.1SVM建模思路62
5.2核技巧64
5.3案例1: 手寫數字識別69
5.3.1案例介紹69
5.3.2案例目標70
5.3.3案例拆解70
5.4案例2: 地鐵人流量預測71
5.4.1案例介紹71
5.4.2案例目標715.4.3案例拆解71
小結與討論77
習題78

第6章樸素貝葉斯79
6.1貝葉斯基礎和最大後驗概率79
6.2樸素貝葉斯的實現81
6.3案例1： 糖尿病病情預測85
6.3.1案例介紹85
6.3.2案例目標85
6.3.3案例拆解85
6.4案例2: 亞馬遜消費者投訴分析91
6.4.1案例介紹91
6.4.2案例目標91
6.4.3案例拆解92
小結與討論98
習題98

第7章線性回歸與邏輯回歸99
7.1線性回歸的實現99
7.2邏輯回歸的實現100
7.3案例1： 廣告點擊率預測101
7.3.1案例介紹101
7.3.2案例目標101
7.3.3案例拆解101
7.4案例2: 波士頓房價預測105
7.4.1案例介紹105
7.4.2案例目標105
7.4.3案例拆解105
小結與討論110
習題110

第8章集成思想111
8.1隨機森林111
8.2梯度提升決策樹112
8.3案例1： 美國居民收入預測112
8.3.1案例介紹112
8.3.2案例目標112
8.3.3案例拆解112
8.4案例2: 公共自行車租賃預測120
8.4.1案例介紹120
8.4.2案例目標120
8.4.3案例拆解120
小結與討論125
習題125

第9章聚類與降維126
9.1聚類概述126
9.2KMeans算法的實現過程129
9.3案例1： 蘑菇數據聚類131
9.3.1案例介紹131
9.3.2案例目標131
9.3.3案例拆解131
9.4案例2: 圖像數據壓縮136
9.4.1案例介紹136
9.4.2案例目標136
9.4.3案例拆解136
小結與討論138
習題138

第10章神經網絡方法139
10.1神經網絡方法基礎原理139
10.2全連接神經網絡的組成139
10.3案例1: 時裝圖像分類140
10.3.1案例介紹140
10.3.2案例目標140
10.3.3案例拆解140
10.4案例2: 人臉圖像識別143
10.4.1案例介紹143
10.4.2案例目標143
10.4.3案例拆解143
小結與討論147
習題148

附錄A環境問題QA149