機器學習入門與實戰 — Python 實踐應用

本書主要介紹經典的機器學習算法的原理和改進，以及Python的實例實現。本書的內容可以分成三部分： 第一部分是機器學習概念篇（第1章），充分介紹機器學習的相關概念，並且對機器學習的各種算法進行分類，以便讀者對機器學習的知識框架有整體的瞭解，從而在後續的學習中更容易接受機器學習涉及的各類算法； 第二部分是Python機器學習基礎篇（第2章和第3章），簡單介紹Python的基本使用方法、機器學習庫scikitlearn和人工智能工具集OpenAI Gym； 第三部分是機器學習算法與Python實踐篇（第4~19章），對監督學習、無/非監督學習、強化學習三大類常用算法逐一講解，包括機器學習算法的原理、算法的優缺點、算法的實例解釋以及Python的實踐應用。 本書適合對人工智能、機器學習感興趣的讀者，希望用機器學習完成設計的電腦或電子信息專業的學生，準備開設機器學習、深度學習實踐課的授課老師，學習過C語言，且希望進一步提高編程水平的開發者，剛從事機器學習、語音、機器視覺、智能機器人研發的算法工程師閱讀。

目錄

 

 

源碼下載

 

 

第一部分機器學習概念篇

 

第1章機器學習基礎

 

1.1機器學習概述

 

1.1.1機器學習概念

 

1.1.2機器學習的發展史

 

1.1.3機器學習的用途

 

1.1.4機器學習、數據挖掘及人工智能的關系

 

1.2機器學習的基本術語

 

1.3機器學習的任務及算法分類

 

1.4如何學習和運用機器學習

 

1.4.1軟件平臺的選擇

 

1.4.2機器學習應用的實現流程

 

1.5數據預處理

 

1.5.1數據選取

 

1.5.2數據清理

 

1.5.3數據集成

 

1.5.4數據變換

 

1.5.5數據歸約

 

本章參考文獻

 

第二部分Python機器學習基礎篇

 

第2章Python基礎入門

 

2.1Python的安裝方法

 

2.2Python學習工具介紹

 

2.2.1PyCharm的安裝

 

2.2.2PyCharm界面介紹

 

2.2.3PyCharm例程的運行

 

2.3Python語法介紹

 

2.3.1語法的基本註意事項

 

2.3.2運算符

 

2.3.3基本語句

 

2.4Python基本繪圖

 

2.4.1建立空白圖

 

2.4.2散點圖

 

2.4.3函數圖

 

2.4.4扇形圖

 

2.4.5柱狀圖

 

2.4.6三維散點

 

2.4.7三維曲線

 

2.4.8三維曲面

 

本章參考文獻

 

 

 

 

 

第3章Python機器學習工具箱

 

3.1機器學習的利器——scikitlearn

 

3.1.1scikitlearn的基礎知識

 

3.1.2scikitlearn的安裝

 

3.1.3基本功能的介紹

 

3.2強化學習的利器——OpenAI Gym

 

本章參考文獻

 

第三部分機器學習算法與Python實踐篇

 

第4章k近鄰算法

 

4.1k近鄰算法的原理

 

4.1.1k近鄰算法的實例解釋

 

4.1.2k近鄰算法的特點

 

4.2基於k近鄰算法的算法改進

 

4.2.1快速KNN算法

 

4.2.2kd樹KNN算法 

 

4.3k近鄰算法的Python實踐

 

本章參考文獻

 

第5章決策樹

 

5.1決策樹算法概述

 

5.1.1決策樹算法的基本原理

 

5.1.2決策樹算法的特點

 

5.1.3決策樹剪枝

 

5.1.4分類決策樹與回歸決策樹

 

5.2基於決策樹算法的算法改進

 

5.2.1ID3決策樹

 

5.2.2C4.5決策樹

 

5.2.3分類回歸樹

 

5.2.4隨機森林

 

5.3決策樹算法的Python實現

 

本章參考文獻

 

第6章支持向量機

 

6.1支持向量機算法概述

 

6.1.1支持向量機概述

 

6.1.2支持向量機算法及推導

 

6.1.3支持向量機的核函數

 

6.2改進的支持向量機算法

 

6.3支持向量機算法的Python實踐

 

本章參考文獻

 

第7章樸素貝葉斯

 

7.1貝葉斯定理

 

7.2樸素貝葉斯分類算法

 

7.3樸素貝葉斯實例分析

 

7.4樸素貝葉斯分類算法的改進

 

7.4.1半樸素貝葉斯分類模型

 

7.4.2樹增強樸素貝葉斯分類模型

 

7.4.3貝葉斯網絡

 

7.4.4樸素貝葉斯樹

 

7.4.5屬性加權樸素貝葉斯分類算法

 

7.5樸素貝葉斯算法的Python實踐

 

本章參考文獻

 

第8章線性回歸

 

8.1線性回歸的原理

 

8.1.1簡單線性回歸 

 

8.1.2線性回歸實例

 

8.2多元線性回歸

 

8.3線性回歸算法的Python實踐

 

本章參考文獻

 

第9章邏輯回歸

 

9.1邏輯回歸的原理

 

9.1.1Sigmoid函數

 

9.1.2梯度下降法

 

9.2邏輯回歸及公式推導

 

9.2.1公式推導

 

9.2.2向量化

 

9.2.3算法的步驟

 

9.2.4邏輯回歸的優缺點

 

9.3邏輯回歸算法的改進

 

9.3.1邏輯回歸的正則化

 

9.3.2主成分改進的邏輯回歸方法

 

9.4邏輯回歸的Python實踐

 

本章參考文獻

 

第10章神經網絡

 

10.1神經網絡算法概述

 

10.1.1神經網絡的工作原理

 

10.1.2神經網絡的特點

 

10.1.3人工神經元模型

 

10.2前向神經網絡

 

10.2.1感知器

 

10.2.2BP算法

 

10.3基於神經網絡的算法擴展

 

10.3.1深度學習

 

10.3.2極限學習機

 

10.4神經網絡的Python實踐

 

本章參考文獻

 

第11章AdaBoost算法

 

11.1集成學習方法簡介

 

11.1.1集成學習方法的分類

 

11.1.2集成學習之Boosting算法

 

11.2AdaBoost算法概述

 

11.2.1AdaBoost算法的思想

 

11.2.2AdaBoost算法的理論推導

 

11.2.3AdaBoost算法的步驟

 

11.2.4AdaBoost算法的特點

 

11.2.5通過實例理解AdaBoost算法

 

11.3AdaBoost算法的改進

 

11.3.1Real AdaBoost算法

 

11.3.2Gentle AdaBoost算法

 

11.3.3LogitBoost算法

 

11.4AdaBoost算法的Python實踐

 

本章參考文獻

 

第12章k均值算法

 

12.1k均值算法概述

 

12.1.1k均值算法的基本原理

 

12.1.2k均值算法的實現步驟 

 

12.1.3k均值算法的實例

 

12.1.4k均值算法的特點

 

12.2基於k均值算法的改進

 

12.2.1改進k值選取方式的k均值改進算法

 

12.2.2改進初始聚類中心選擇方式的k均值改進算法

 

12.3k均值算法的Python實踐

 

本章參考文獻

 

第13章期望最大化算法

 

13.1EM算法

 

13.1.1EM算法的思想

 

13.1.2似然函數和極大似然估計

 

13.1.3Jensen不等式

 

13.1.4EM算法的理論和公式推導

 

13.1.5EM算法的收斂速度

 

13.1.6EM算法的特點

 

13.2EM算法的改進

 

13.2.1Monte Carlo EM算法

 

13.2.2ECM算法

 

13.2.3ECME算法

 

13.3EM算法的Python實踐

 

本章參考文獻

 

第14章k中心點算法

 

14.1經典k中心點算法——PAM算法

 

14.1.1PAM算法的原理

 

14.1.2PAM算法的實例

 

14.1.3PAM算法的特點

 

14.2k中心點算法的改進

 

14.3k中心點算法的Python實踐 

 

本章參考文獻

 

第15章關聯規則挖掘的Apriori算法

 

15.1關聯規則概述

 

15.1.1關聯規則的基本概念

 

15.1.2關聯規則的分類

 

15.2Apriori算法的原理

 

15.3Apriori算法的改進

 

15.3.1基於分片的並行方法

 

15.3.2基於hash的方法

 

15.3.3基於採樣的方法 

 

15.3.4減少交易個數的方法

 

15.4Apriori算法的Python實踐

 

本章參考文獻

 

第16章高斯混合模型算法

 

16.1高斯混合模型的原理

 

16.1.1單高斯模型

 

16.1.2高斯混合模型

 

16.1.3模型的建立

 

16.1.4模型參數的求解

 

16.2高斯混合模型算法的Python實踐

 

本章參考文獻

 

第17章DBSCAN算法

 

17.1DBSCAN算法概述

 

17.1.1DBSCAN算法的基本概念

 

17.1.2DBSCAN算法的原理

 

17.1.3DBSCAN算法的實現步驟

 

17.1.4DBSCAN算法的優缺點

 

17.2DBSCAN算法的改進

 

17.2.1DPDGA算法

 

17.2.2並行DBSCAN算法

 

17.3DBSCAN算法的Python實踐

 

本章參考文獻

 

第18章策略迭代和值迭代

 

18.1基本概念

 

18.1.1強化學習的基本模型

 

18.1.2馬爾可夫決策過程

 

18.1.3策略

 

18.1.4值函數

 

18.1.5貝爾曼方程

 

18.2策略迭代算法的原理

 

18.3值迭代算法的原理

 

18.4策略迭代和值迭代算法的Python實踐

 

18.4.1FrozenLake問題

 

18.4.2OpenAI Gym庫的介紹

 

18.4.3FrozenLake環境的實現過程

 

18.4.4策略迭代算法的實現

 

18.4.5值迭代算法的實現

 

本章參考文獻

 

第19章SARSA算法和Q學習算法

 

19.1SARSA算法的原理

 

19.2SARSA算法的Python實踐

 

19.2.1迷宮問題

 

19.2.2SARSA算法的實現

 

19.3Q學習算法的原理

 

19.4Q學習算法的Python實踐

 

本章參考文獻