第Ⅰ部分PYTHON機(jī)器學(xué)習(xí)
第1章Python 3和Jupyter Notebook入門(mén) 3
1.1Python概述 4
1.1.1Python編程語(yǔ)言的歷史 4
1.1.2Python編程語(yǔ)言的哲學(xué) 4
1.1.3Python的使用范圍 5
1.2安裝Python 6
1.2.1在Linux 發(fā)行版上安裝 Python 7
1.2.2在macOS 上安裝Python 7
1.3Python模式 7
1.3.1交互模式 7
1.3.2腳本模式 11
1.4Pip3工具 13
1.5科學(xué)Python生態(tài)系統(tǒng) 14
1.6Python的實(shí)現(xiàn)和發(fā)行版 14
1.7Anaconda發(fā)行版 15
1.8小結(jié) 16
第2章NumPy入門(mén) 17
2.1開(kāi)始使用NumPy 18
2.2Ndarray的索引 20
2.3Ndarray的屬性 22
2.4NumPy常量 23
2.5小結(jié) 24
第3章數(shù)據(jù)可視化入門(mén) 25
3.1用于創(chuàng)建Ndarray的NumPy例程 26
3.2Matplotlib數(shù)據(jù)可視化 28
3.3小結(jié) 34
第4章Pandas入門(mén) 35
4.1Pandas基礎(chǔ)知識(shí) 36
4.2Pandas中的Series 36
4.3Pandas中的數(shù)據(jù)框架 38
4.4在數(shù)據(jù)框架中實(shí)現(xiàn)數(shù)據(jù)的可視化 40
4.5小結(jié) 46
第Ⅱ部分機(jī)器學(xué)習(xí)方法
第5章Scikit-learn機(jī)器學(xué)習(xí)概述 49
5.1從數(shù)據(jù)中學(xué)習(xí) 50
5.1.1監(jiān)督式學(xué)習(xí) 50
5.1.2無(wú)監(jiān)督學(xué)習(xí) 51
5.2機(jī)器學(xué)習(xí)系統(tǒng)的結(jié)構(gòu) 52
5.2.1問(wèn)題理解 53
5.2.2數(shù)據(jù)收集 53
5.2.3數(shù)據(jù)標(biāo)注和數(shù)據(jù)準(zhǔn)備 53
5.2.4數(shù)據(jù)整理 53
5.2.5模型的開(kāi)發(fā)、訓(xùn)練和評(píng)估 54
5.2.6模型的部署 54
5.3Scikit-Learn 55
5.4安裝Scikit-Learn 55
5.5了解API 56
5.6第一個(gè)Scikit-learn實(shí)驗(yàn) 57
5.7小結(jié) 60
第6章為機(jī)器學(xué)習(xí)準(zhǔn)備數(shù)據(jù) 61
6.1數(shù)據(jù)變量的類型 62
6.1.1名目數(shù)據(jù) 62
6.1.2次序數(shù)據(jù) 62
6.1.3等距數(shù)據(jù) 63
6.1.4等比數(shù)據(jù) 63
6.2轉(zhuǎn)換 63
6.2.1轉(zhuǎn)換名目屬性 64
6.2.2轉(zhuǎn)換有序?qū)傩?66
6.3歸一化 67
6.3.1線性函數(shù)歸一化 68
6.3.2標(biāo)準(zhǔn)縮放 69
6.4預(yù)處理文本 70
6.4.1準(zhǔn)備NLTK 70
6.4.2NLP流水線的5個(gè)步驟 71
6.4.3詞干提取和詞形還原 72
6.4.4移除停用詞 73
6.4.5準(zhǔn)備詞向量 73
6.5預(yù)處理圖像 75
6.6小結(jié) 77
第7章初探監(jiān)督式學(xué)習(xí)方法 79
7.1線性回歸 80
7.2邏輯回歸 86
7.2.1表達(dá)式概率的線與曲線的比較 87
7.2.1學(xué)習(xí)參數(shù) 87
7.2.2可視化決策邊界 90
7.3決策樹(shù) 91
7.3.1構(gòu)建決策樹(shù) 92
7.3.2Python中的決策樹(shù) 93
7.4小結(jié) 96
第8章對(duì)監(jiān)督式學(xué)習(xí)進(jìn)行調(diào)試 97
8.1訓(xùn)練和測(cè)試過(guò)程 98
8.2性能的衡量標(biāo)準(zhǔn) 98
8.2.1混淆矩陣 99
8.2.2精確率 100
8.2.3準(zhǔn)確率 100
8.2.3F值 100
8.2.4Python中的性能指標(biāo) 101
8.3交叉驗(yàn)證 103
8.3.1為什么要進(jìn)行交叉驗(yàn)證 104
8.3.2使用Python進(jìn)行交叉驗(yàn)證 105
8.4ROC曲線 106
8.5過(guò)擬合和正則化 109
8.5.1偏差和方差 112
8.5.2正則化 113
8.6超參數(shù)調(diào)優(yōu) 116
8.7小結(jié) 120
第9章再談監(jiān)督學(xué)習(xí)方法 121
9.1樸素貝葉斯 122
9.1.1貝葉斯定理 122
9.1.2條件概率 123
9.1.3樸素貝葉斯的運(yùn)作方式 123
9.1.4多項(xiàng)樸素貝葉斯 124
9.1.5Python中的樸素貝葉斯 124
9.2支持向量機(jī) 126
9.2.1SVM的運(yùn)作方式 127
9.2.2非線性分類 128
9.2.3SVM中的核技巧 129
9.2.4Python中的支持向量機(jī) 130
9.3小結(jié) 134
第10章集成學(xué)習(xí)方法 135
10.1Bagging算法和隨機(jī)森林 136
10.2Boosting算法 140
10.3Stacking集成 146
10.4小結(jié) 150
第11章無(wú)監(jiān)督學(xué)習(xí)方法 151
11.1降維 152
11.1.1了解維數(shù)災(zāi)難 152
11.1.2主成分分析 153
11.1.3Python中的主成分分析 154
11.2聚類 157
11.2.1使用k-均值進(jìn)行聚類 158
11.2.2Python中的k-均值 158
11.2.3什么是正確的k 161
11.2.4聚類之圖像分割 162
11.2.5使用DBSCAN進(jìn)行聚類 165
11.3頻繁模式挖掘 168
11.3.1購(gòu)物籃分析 168
11.3.2Python中的頻繁模式挖掘 169
11.4小結(jié) 172
第Ⅲ部分神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)
第12章神經(jīng)網(wǎng)絡(luò)和PyTorch基礎(chǔ) 175
12.1安裝PyTorch 177
12.2 PyTorch的基礎(chǔ)知識(shí) 177
12.2.1創(chuàng)建張量 177
12.2.2張量操作 179
12.3感知器 181
12.4人工神經(jīng)網(wǎng)絡(luò) 185
12.5小結(jié) 186
第13章前饋神經(jīng)網(wǎng)絡(luò) 187
13.1前饋神經(jīng)網(wǎng)絡(luò) 188
13.1.1訓(xùn)練神經(jīng)網(wǎng)絡(luò) 189
13.1.2損失函數(shù) 193
13.2使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸 195
13.3激活函數(shù) 198
13.3.1ReLU 激活函數(shù) 198
13.3.2Sigmoid 激活函數(shù) 199
13.3.3tanh激活函數(shù) 200
13.4多層人工神經(jīng)網(wǎng)絡(luò) 200
13.4.1PyTorch中的神經(jīng)網(wǎng)絡(luò)（NN）類 206
13.4.2過(guò)擬合和Dropout 208
13.5分類手寫(xiě)數(shù)字 209
13.6小結(jié) 214
第14章卷積神經(jīng)網(wǎng)絡(luò) 215
14.1卷積運(yùn)算 216
14.2CNN的結(jié)構(gòu) 219
14.3在PyTorch中使用卷積神經(jīng)網(wǎng)絡(luò) 221
14.4使用CNN進(jìn)行圖像分類 223
14.5卷積神經(jīng)網(wǎng)絡(luò)的深度網(wǎng)絡(luò) 233
14.5小結(jié) 234
第15章循環(huán)神經(jīng)網(wǎng)絡(luò) 235
15.1循環(huán)單元 236
15.2RNN的類型 238
15.2.1一對(duì)一 238
15.2.2一對(duì)多 238
15.2.3多對(duì)一 238
15.2.4多對(duì)多 239
15.3Python中的RNN 239
15.4長(zhǎng)短期記憶 240
15.4.1LSTM單元 241
15.4.2時(shí)間序列預(yù)測(cè) 242
15.5門(mén)控循環(huán)單元 252
15.6小結(jié) 252
第16章項(xiàng)目實(shí)戰(zhàn) 253
16.1數(shù)據(jù)科學(xué)生命周期 254
16.2如何提供ML應(yīng)用 257
16.3通過(guò)實(shí)踐學(xué)習(xí) 258
16.3.1定義問(wèn)題 258
16.3.2數(shù)據(jù) 259
16.3.3準(zhǔn)備模型 263
16.3.4序列化模型，以便未來(lái)用于預(yù)測(cè) 268
16.3.5托管模型 270
16.4未來(lái)可期 271