第1 章 機(jī)器學(xué)習(xí)簡介

1.1 機(jī)器學(xué)習(xí)的任務(wù)

1.2 機(jī)器學(xué)習(xí)的三種方式

1.3 機(jī)器學(xué)習(xí)系統(tǒng)的建立

1.4 機(jī)器學(xué)習(xí)實例

第2 章 Python 常用庫介紹

2.1 Python 的安裝(Anaconda)

2.1.1 Spyder

2.1.2 Jupyter Notebook

2.2 Python 常用庫

2.2.1 Numpy 庫

2.2.2 Pandas 庫

2.2.3 Matplotlib 庫

2.2.4 Statsmodels 庫

2.2.5 Scikit-learn 庫

2.3 其他Python 常用的數(shù)據(jù)庫

2.4 Python 各種庫在機(jī)器學(xué)習(xí)中的應(yīng)用

第3 章 數(shù)據(jù)的準(zhǔn)備和探索

3.1 數(shù)據(jù)預(yù)處理

3.2 數(shù)據(jù)假設(shè)檢驗

3.3 數(shù)據(jù)間的關(guān)系

3.4 數(shù)據(jù)可視化

3.5 特征提取和降維

第4 章 模型訓(xùn)練和評估

4.1 模型訓(xùn)練技巧

4.2 分類效果的評價

4.3 回歸模型評價

4.4 聚類分析評估

第5 章 回歸分析

5.1 回歸分析簡介

5.2 多元線性回歸分析

5.2.1 多元線性回歸

5.2.2 逐步回歸

5.3 Lasso 回歸分析

5.4 Logistic 回歸分析

5.5 時間序列預(yù)測

第6 章 關(guān)聯(lián)規(guī)則

6.1 關(guān)聯(lián)規(guī)則簡介

6.2 使用關(guān)聯(lián)規(guī)則找到問卷的規(guī)則

6.3 關(guān)聯(lián)規(guī)則可視化

第7 章 無監(jiān)督學(xué)習(xí)

7.1 無監(jiān)督學(xué)習(xí)介紹

7.2 系統(tǒng)聚類

7.3 K- 均值聚類

7.4 密度聚類

7.5 Mean Shift 聚類

7.6 字典學(xué)習(xí)圖像去噪

第8 章 文本LDA 模型

8.1 文本分析簡介

8.2 中文分詞

8.3 LDA 主題模型分析《紅樓夢》

8.4 紅樓夢人物關(guān)系

第9 章 決策樹和集成學(xué)習(xí)

9.1 模型簡介

9.2 泰坦尼克號數(shù)據(jù)預(yù)處理

9.3 決策樹模型

9.4 決策樹剪枝

9.5 隨機(jī)森林模型

9.6 AdaBoost 模型

第10 章 樸素貝葉斯和K近鄰分類

10.1 模型簡介

10.2 垃圾郵件數(shù)據(jù)預(yù)處理

10.3 貝葉斯模型識別垃圾郵件

10.4 基于異常值檢測的垃圾郵件查找

10.4.1 PCA 異常值檢測

10.4.2 Isolation Forest 異常值檢測

10.5 數(shù)據(jù)不平衡問題的處理

10.6 K 近鄰分類

第11 章 支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)

11.1 模型簡介

11.2 肺癌數(shù)據(jù)可視化

11.3 支持向量機(jī)模型

11.4 全連接神經(jīng)網(wǎng)絡(luò)

第12 章 深度學(xué)習(xí)入門

12.1 深度學(xué)習(xí)介紹

12.2 卷積和池化

12.3 CNN 人臉識別

12.4 CNN 人臉檢測

12.5 深度卷積圖像去噪

12.5.1 空洞卷積

12.5.2 圖像與圖像塊的相互轉(zhuǎn)換

12.5.3 一種深度學(xué)習(xí)去噪方法