緒論 1
0.1 機(jī)器學(xué)習(xí)綜述 1
0.1.1 機(jī)器學(xué)習(xí)的含義 1
0.1.2 機(jī)器學(xué)習(xí)的應(yīng)用場景 1
0.1.3 機(jī)器學(xué)習(xí)類型 3
0.1.4 相關(guān)術(shù)語 5
0.1.5 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 6
0.2 開發(fā)環(huán)境搭建 8
0.2.1 Windows系統(tǒng)環(huán)境 8
0.2.2 Ubuntu系統(tǒng)環(huán)境 17
0.3 Python編程基礎(chǔ) 17
0.3.1 Python簡介 17
0.3.2 Python基本語法 18
0.3.3 Python數(shù)據(jù)類型 19
0.3.4 Python常用語句 28
0.3.5 Python函數(shù)（模塊）設(shè)計(jì) 33
0.3.6 Python編程庫（包）的導(dǎo)入 38
案例1 泰坦尼克號(hào)數(shù)據(jù)分析與預(yù)處理 39
1.1 案例描述及實(shí)現(xiàn) 39
1.2 案例詳解及示例 43
1.3 支撐技術(shù) 45
1.3.1 Numpy 45
1.3.2 Matplotlib 52
1.3.3 Pandas 61
1.3.4 Scikit-learn 64

案例2 良/惡性乳腺癌腫瘤預(yù)測(cè) 66
2.1 案例描述及實(shí)現(xiàn) 66
2.2 案例詳解及示例 69
2.2.1 數(shù)據(jù)預(yù)處理 69
2.2.2 linear_model 71
2.2.3 KNeighborsClassifier 74
2.2.4 SVM 76
2.2.5 naive_bayes 80
2.2.6 DecisionTreeClassifier 82
2.2.7 ensemble 85
2.2.8 classification_report 87
2.3 支撐知識(shí) 88
2.3.1 分類任務(wù)簡介 88
2.3.2 線性模型 88
2.3.3 K近鄰分類 90
2.3.4 支持向量機(jī) 91
2.3.5 樸素貝葉斯 93
2.3.6 決策樹 95
2.3.7 集成模型 96
2.3.8 神經(jīng)網(wǎng)絡(luò) 97
案例3 波士頓房價(jià)預(yù)測(cè) 98
3.1 案例描述及實(shí)現(xiàn) 98
3.2 案例詳解及示例 102
3.2.1 數(shù)據(jù)預(yù)處理 102
3.2.2 linear_model 104
3.2.3 KNeighborsRegressor 108
3.2.4 SVR 110
3.2.5 DecisionTreeRegressor 111
3.2.6 ensemble 113
3.3 支撐知識(shí) 119
3.3.1 回歸任務(wù)簡介 119
3.3.2 線性回歸 120
3.3.3 K近鄰回歸 121
3.3.4 支持向量機(jī)回歸 122
3.3.5 決策樹回歸 122
3.3.6 集成模型回歸 124

案例4 手寫體數(shù)字聚類 125
4.1　案例描述及實(shí)現(xiàn) 125
4.1.1　案例簡介 125
4.1.2　數(shù)據(jù)介紹 125
4.1.3　案例實(shí)現(xiàn) 126
4.2　案例詳解及示例 129
4.2.1　load_digits 129
4.2.2　AgglomerativeClustering 130
4.2.3 KMeans 131
4.2.4 MeanShift 133
4.2.5 DBSCAN 134
4.2.6 AffinityPropagation 136
4.2.7 v_measure_score 137
4.3 支撐知識(shí) 140
4.3.1 聚類任務(wù)簡介 140
4.3.2 層次聚類 140
4.3.3 K均值聚類 141
4.3.4　均值漂移聚類 143
4.3.5　密度聚類 143
4.3.6　近鄰傳播聚類 144
案例5 人臉特征降維 145
5.1 案例描述 145
5.1.1 案例簡介 145
5.1.2 數(shù)據(jù)介紹 145
5.1.3 案例實(shí)現(xiàn) 145
5.2 案例詳解及示例 148
5.2.1 fetch_olivetti_faces 148
5.2.2 PCA 149
5.2.3 NMF 155
5.2.4　FastICA 156
5.2.5　FactorAnalysis 157
5.3　支撐知識(shí)及示例 158
5.3.1　特征降維簡介 158
5.3.2　主成分分析 158
5.3.3　非負(fù)矩陣分解 159
5.3.4　獨(dú)立成分分析 160
5.3.5　因子分析 161
案例6 在線旅行社酒店價(jià)格異常檢測(cè) 162
6.1　案例描述 162
6.1.1　案例簡介 162
6.1.2 數(shù)據(jù)介紹 162
6.1.3　案例實(shí)現(xiàn) 163
6.2 案例詳解及示例 168
6.2.1 導(dǎo)入數(shù)據(jù) 168
6.2.2 基于聚類的異常檢測(cè) 168
6.2.3 基于孤立森林的異常檢測(cè) 169
6.2.4 基于支持向量機(jī)的異常檢測(cè) 172
6.2.5 基于高斯分布的異常檢測(cè) 173
6.3 支撐知識(shí) 177
6.3.1 異常檢測(cè)簡介 177
6.3.2 基于聚類的異常檢測(cè) 177
6.3.3 基于孤立森林的異常檢測(cè) 177
6.3.4 基于支持向量機(jī)的異常檢測(cè) 179
6.3.5 基于高斯分布的異常檢測(cè) 179
附錄A　VirtualBox虛擬機(jī)軟件與Linux的安裝和配置 180
附錄B　Linux（Ubuntu 14.4）的基本命令與使用 203
附錄C　GitHub代碼托管平臺(tái) 208
附錄D　Docker技術(shù)與應(yīng)用 212
附錄E　人工智能的數(shù)學(xué)基礎(chǔ)與工具 214
附錄F　公開數(shù)據(jù)集介紹與下載 225
附錄G　人工智能的網(wǎng)絡(luò)學(xué)習(xí)資源 230
附錄H　人工智能的技術(shù)圖譜 233
附錄I　人工智能技術(shù)應(yīng)用就業(yè)崗位與技能需求 237
附錄J　Sklearn常用模塊和函數(shù) 242
參考文獻(xiàn) 248