機器學習-基於騰訊雲機器學習應用工程師認證(TCP)

機器學習是人工智能的重要技術基礎。本書涵蓋了機器學習的基礎知識，精選了機器學習常用算法，緊密結合騰訊雲培訓認證中心的機器學習應用工程師認證體系，主要包括人工智能與機器學習概念、數學基礎、編程基礎、數據結構與算法、分類算法、回歸算法、無監督學習算法、數據獲取、特徵處理、模型選取與調優、模型評估等，並給出了基於騰訊TIONE平臺的操作實例。全書深入淺出、案例豐富，兼具廣度與深度，便於學生鞏固學習，適合作為高等院校本科生或研究生機器學習、數據分析、數據挖掘等課程的教材，也可供對機器學習感興趣並希望從事機器學習等領域相關工作的個人開發者閱讀參考。

李然，1967年生，大連海洋大學 副教授，研究方向：數據庫應用。校級精品資源共享課負責人；中國大學MOOC(慕課)平台SPOC課程“數據庫原理”負責人。主編教材2部，參編1部，撰寫總字數62.3萬字。

1章人工智能與機器學習的概念1
1.1人工智能的定義1
1.2人工智能的歷史2
1.3人工智能的技術發展6
1.3.1專家系統6
1.3.2機器學習6
1.3.3機器視覺7
1.3.4機器人技術7
1.3.5自然語言處理7
1.3.6自動化8
1.3.7大數據8
1.3.8語音識別技術8
1.4人工智能的應用領域9
1.5機器學習概述12
1.5.1什麼是機器學習12
1.5.2機器學習的發展歷程12
1.5.3機器學習的系統結構14
1.5.4機器學習的分類15
1.5.5機器學習的常見算法19
1.5.6機器學習應用場景21
參考文獻21

2章數學基礎23
2.1高等數學23
2.1.1函數與極限23
2.1.2導數與微分28
2.1.3微分中值定理與導數的應用32
2.1.4空間解析幾何和向量代數38
2.1.5多元函數微分法及其應用42
2.2線性代數50
2.2.1矩陣及其運算50
2.2.2矩陣的初等變換與矩陣的秩58
2.2.3向量組的線性相關性63
2.2.4相似矩陣及二次型69
2.2.5矩陣導數的運算77
2.3概率論與數理統計78
2.3.1隨機事件及其概率78
2.3.2隨機變量及其分佈84
2.3.3多維隨機變量及其分佈87
2.3.4隨機變量的數字特徵90
2.3.5樣本及抽樣分佈93
2.3.6參數估計99
2.3.7假設檢驗105
2.4本章小結112
參考文獻112

3章編程基礎113
3.1Python語法113
3.1.1Python基本概述113
3.1.2Python內置對象117
3.1.3Python運算符和表達式125
3.1.4程序控制結構127
3.1.5函數130
3.1.6面向對象編程138
3.1.7封裝、繼承和多態141
3.1.8運算符重載144
3.1.9字符串簡介144
3.1.10轉義字符145
3.1.11字符串格式化147
3.1.12字符串常用作149
3.1.13正則表達式161
3.1.14文件基本作172
3.1.15目錄作（文件夾作）174
3.1.16異常處理結構178
3.1.17NumPy183
3.1.18pandas185
3.1.19matplotlib188
3.1.20Scikitlearn190
3.1.21小結193
3.2TensorFlow/PyTorch語法193
3.2.1TensorFlow193
3.2.2PyTorch197
3.2.3小結202

4章數據結構與算法203
4.1樹203
4.1.1基本概念203
4.1.2二樹的存儲結構206
4.1.3二樹的遍歷208
4.1.4樹的存儲結構210
4.1.5樹的遍歷212
4.2哈希表213
4.2.1基本概念213
4.2.2構造哈希函數的方法214
4.2.3處理衝突的方法216
4.2.4哈希表優點221
4.3排序222
4.3.1基本概念222
4.3.2簡單選擇排序223
4.3.3簡單插入排序224
4.3.4冒泡排序225
4.3.5快速排序226
4.3.6歸併排序228
4.4搜索230
4.4.1基本概念230
4.4.2順序搜索231
4.4.3折半搜索232
4.4.4二搜索樹234
4.5字符串237
4.5.1基本概念237
4.5.2字符串的存儲結構238
4.5.3正則表達式238
4.6動態規劃242
4.6.1優化問題242
4.6.2動態規劃的應用場景244
4.6.3動態規划算法思路245
4.6.4應用實例246
4.7小結250

5章機器學習算法251
5.1機器學習的基本概念251
5.1.1算法分類251
5.1.2模型評價指標252
5.1.3模型選擇及求解問題253
5.2分類255
5.2.1k近鄰算法255
5.2.2決策樹算法257
5.2.3貝葉斯分類器262
5.2.4logistic回歸算法266
5.2.5支持向量機算法269
5.2.6隨機森林算法277
5.3回歸280
5.3.1線性回歸算法280
5.3.2決策樹回歸算法285
5.4無監督算法287
5.4.1聚類算法288
5.4.2維歸約技術295
5.5關聯分析300
5.5.1Apriori算法302
5.5.2頻繁模式樹算法302
5.6其他機器學習方法305
5.6.1隱馬爾可夫模型305
5.6.2Boosting算法315
5.6.3條件隨機場320
5.7深度學習相關算法325
5.7.1神經網絡相關概念325
5.7.2深度神經網絡328
5.8本章小結331
參考文獻331

6章構建項目流程333
6.1問題的定義334
6.2數據收集334
6.3數據預處理335
6.4特徵抽取338
6.5模型構建及訓練339
6.5.1模型構建339
6.5.2模型訓練340
6.6模型評估和優化341
6.6.1模型評估341
6.6.2模型優化342
6.6.3選擇正確的衡量標準343
6.7模型部署和監控343
6.7.1模型部署343
6.7.2模型監控344
6.7.3應用到業務中344
6.8本章小結344

7章TIONE機器學習345
7.1TIONE平台介紹345
7.2TIONE平台作說明346
7.2.1註冊與開通服務346
7.2.2可視化建模界面348
7.2.3新建工程與任務流349
7.2.4基礎作說明349
7.3使用可視化建模構建模型351

8章TIONE平台應用實例352
8.1中式菜系熱度預測模型352
8.2貓狗圖像分類356