機(jī)器學(xué)習(xí)與計算思維

第1章 人工智能與計算思維　
1.1 人工智能　
1.2 機(jī)器學(xué)習(xí)　
1.3 機(jī)器學(xué)習(xí)中的計算思維　
1.4 本章小結(jié)　
課后練習(xí)　
第2章 機(jī)器學(xué)習(xí)理論基礎(chǔ)　
2.1 數(shù)據(jù)集　
2.1.1 描述空間、屬性、特征和維度　
2.1.2 復(fù)合特征　
2.1.3 特征空間降維　
2.1.4 特征縮放及特征編碼　
2.2 機(jī)器學(xué)習(xí)中對誤差的估計　
2.3 代價函數(shù)、損失函數(shù)和目標(biāo)函數(shù)　
2.4 數(shù)據(jù)預(yù)處理　
2.5 Python中機(jī)器學(xué)習(xí)基本流程　
2.6 sklearn的安裝　
2.7 本章小結(jié)　
課后練習(xí)　
第3章 線性回歸模型　
3.1 什么是線性回歸模型　
3.2 簡單線性回歸模型　
3.2.1 模型建立　
3.2.2 不插電模擬模型訓(xùn)練　
3.2.3 sklearn中使用簡單線性回歸模型　
3.2.4 模型性能評價　
3.3 多元線性回歸模型　
3.3.1 模型建立　
3.3.2 不插電使用梯度下降法求解系數(shù)　
3.3.3 sklearn中使用多元線性回歸模型　
3.4 多項(xiàng)式回歸　
3.5 學(xué)習(xí)曲線　
3.6 線性回歸模型中的計算思維　
課后練習(xí)　
第4章 邏輯回歸模型　
4.1 Sigmoid函數(shù)　
4.2 邏輯回歸的基本模型　
4.3 邏輯回歸模型的代價函數(shù)　
4.4 在sklearn中使用邏輯回歸模型進(jìn)行二元分類　
4.5 廣義線性回歸模型的防止過擬合策略　
4.5.1 正則式　
4.5.2 在sklearn中使用L1和L2范數(shù)優(yōu)化模型　
4.6 邏輯回歸中的計算思維　
課后練習(xí)　
第5章 KNN分類和回歸　
5.1 KNN算法的模型　
5.2 不插電使用KNN模型進(jìn)行分類　
5.3 不插電使用KNN回歸模型　
5.4 F1分?jǐn)?shù)　
5.5 KNN中的特征標(biāo)準(zhǔn)化　
5.6 KNN模型的計算思維　
課后練習(xí)　
第6章 樸素貝葉斯　
6.1 貝葉斯公式　
6.2 樸素貝葉斯模型　
6.2.1 樸素貝葉斯模型的基本原理　
6.2.2 不插電運(yùn)用樸素貝葉斯公式進(jìn)行分類預(yù)測　
6.3 高斯樸素貝葉斯(Gaussian NB)　
6.3.1 高斯樸素貝葉斯的原理　
6.3.2 不插電運(yùn)用高斯樸素貝葉斯　
6.4 sklearn中的樸素貝葉斯模型　
6.5 在sklearn中使用NB模型　
6.6 ROC曲線和AUC面積　
6.7 樸素貝葉斯模型與計算思維　
課后練習(xí)　
第7章 決策樹和隨機(jī)森林　
7.1 決策樹的表達(dá)方式　
7.2 訓(xùn)練決策樹的算法　
7.2.1 ID3算法的基本原理　
7.2.2 不插電使用ID3算法構(gòu)建決策樹　
7.2.3　C4.5 算法　
7.2.4 CART算法　
7.3 sklearn中使用DecisionTreeClassifier和DecisionTreeRegression工具　
7.3.1 sklearn中使用DecisionTreeClassifier　
7.3.2 sklearn中使用DecisionTreeRegressor　
7.4 隨機(jī)森林和集成學(xué)習(xí)　
7.4.1 隨機(jī)森林　
7.4.2 推進(jìn)法(boosting)　
7.4.3 不插電應(yīng)用AdaBoost　
7.5 決策樹中的計算思維　
課后練習(xí)　
第8章 感知器和人工神經(jīng)網(wǎng)絡(luò)ANN　
8.1 感知器　
8.1.1 感知器的基本原理　
8.1.2 不插電訓(xùn)練單層感知器　
8.2 多層感知器(MLP)　
8.2.1 多層感知器的基本原理　
8.2.2 不插電運(yùn)用兩層感知器解決XOR(異或)問題　
8.3 反傳多層感知器　
8.3.1 ANN的激勵函數(shù)　
8.3.2 ANN的網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)構(gòu)成　
8.3.3 ANN中的反傳學(xué)習(xí)算法(BP)　
8.3.4 BP的不插電示例　
8.4 使用sklearn的ANN工具　
8.5 人工神經(jīng)網(wǎng)絡(luò)的計算思維　
課后練習(xí)　
第9章 支持向量機(jī)　
9.1 支持向量機(jī)SVM的基本原理　
9.1.1 SVM中用于分類的超平面　
9.1.2 SVM的目標(biāo)函數(shù)　
9.1.3 SVM的目標(biāo)函數(shù)求解　
9.2 單層感知器的對偶形式　
9.3 SVM的核函數(shù)　
9.4 sklearn中使用SVM工具分類　
課后練習(xí)　
0章 聚類　
10.1 聚類算法的原理　
10.2 K均值(K-means)聚類算法　
10.2.1 K均值算法基本原理　
10.2.2 利用K均值算法進(jìn)行不插電聚類　
10.2.3 K值的選擇　
10.3 模糊C均值(FCM)聚類算法　
10.4 輪廓系數(shù)　
10.5 使用sklearn的K均值算法對數(shù)據(jù)進(jìn)行聚類　
10.6 聚類模型與計算思維　
課后練習(xí)　
1章 主成分分析(PCA)降維　
11.1 PCA的基本思想　
11.2 協(xié)方差矩陣　
11.3 PCA算法的實(shí)現(xiàn)　
11.4 PCA降維算法的一個實(shí)例　
11.5 調(diào)用sklearn的PCA模型來驗(yàn)證上述算法　
11.6 PCA降維的計算思維　
課后練習(xí)　
部分課后習(xí)題答案　
第3章 課后練習(xí)答案　
第5章 課后練習(xí)答案　
第6章 課后練習(xí)答案　
第7章 課后練習(xí)答案　
第8章 課后練習(xí)答案　
第9章 課后練習(xí)答案　
0章 課后練習(xí)答案　
1章 課后練習(xí)答案　
參考文獻(xiàn)