機器學(xué)習(xí)及應(yīng)用（在線實驗+在線自測）

第 1章　導(dǎo)論　1
1．1　引言　1
1．2　基本術(shù)語　2
1．3　概念學(xué)習(xí)與假設(shè)空間　3
1．4　歸納偏好　4
1．5　經(jīng)驗誤差與過擬合　5
1．6　模型評估與選擇　5
1．7　性能度量　6
1．8　發(fā)展歷程　8
1．9　應(yīng)用現(xiàn)狀　10
習(xí)題1　11
第　2章 Python初步　12
2．1　Python概述　12
2．2　NumPy庫介紹　12
2．2．1　ndarray對象　12
2．2．2　ufunc函數(shù)　14
2．2．3　常用函數(shù)庫　15
2．3　Matplotlib庫介紹　19
2．3．1　快速繪制二維圖表　19
2．3．2　Artist對象　21
2．3．3　配置屬性　24
2．3．4　繪制三維圖表　24
2．4　SciPy庫函數(shù)　26
2．4．1　線性代數(shù)模塊　26
2．4．2　優(yōu)化和擬合模塊　28
2．4．3　統(tǒng)計模塊　30
2．4．4　稀疏矩陣模塊　32
2．5　scikit-learn庫函數(shù)　35
2．5．1　sklearn．datasets　35
2．5．2　模型選擇與評價　36
2．5．3　scikit-learn的機器學(xué)習(xí)　44
習(xí)題2　46
第3章　決策樹　48
3．1　引言　48
3．1．1　決策樹的基本思想　48
3．1．2　決策樹的構(gòu)造　49
3．1．3　決策樹的算法框架　54
3．1．4　信息增益　54
3．2　ID3決策樹　57
3．2．1　ID3算法　57
3．2．2　ID3的實現(xiàn)　59
3．3　C4．5決策樹　63
3．3．1　C4．5算法　63
3．3．2　C4．5的實現(xiàn)　64
3．4　sklearn與回歸樹　68
3．4．1　回歸算法原理　68
3．4．2　最小剩余方差法　69
3．4．3　剪枝策略　69
3．4．4　sklearn實現(xiàn)　70
習(xí)題3　72
第4章　神經(jīng)網(wǎng)絡(luò)　73
4．1　引言　73
4．1．1　人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程　73
4．1．2　人工神經(jīng)網(wǎng)絡(luò)的特點　74
4．1．3　人工神經(jīng)網(wǎng)絡(luò)的分類　75
4．2　神經(jīng)元模型　75
4．3　感知機與多層神經(jīng)網(wǎng)絡(luò)　77
4．3．1　感知機　77
4．3．2　梯度下降法　81
4．3．3　隨機梯度下降法　85
4．3．4　多層神經(jīng)網(wǎng)絡(luò)　86
4．4　誤差反向傳播算法　90
4．4．1　BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法　90
4．4．2　BP神經(jīng)網(wǎng)絡(luò)實驗　93
4．5　玻耳茲曼機　95
4．5．1　BM的拓?fù)浣Y(jié)構(gòu)　96
4．5．2　BM的學(xué)習(xí)過程　96
4．6　綜合案例　99
習(xí)題4　101
第5章　支持向量機　103
5．1　引言　103
5．2　線性分類　104
5．2．1　函數(shù)間隔與幾何間隔　104
5．2．2　對偶問題　107
5．3　線性支持向量機　108
5．4　非線性支持向量機　111
5．4．1　核技巧　111
5．4．2　sklearn SVC　113
5．5　序列最小優(yōu)化算法　117
5．6　綜合案例　119
習(xí)題5　125
第6章　貝葉斯分類器　127
6．1　引言　127
6．2　樸素貝葉斯分類　128
6．2．1　樸素貝葉斯算法　128
6．2．2　樸素貝葉斯分類算法　129
6．2．3　樸素貝葉斯分類算法的Python實現(xiàn)　131
6．2．4　sklearn的樸素貝葉斯方法　135
6．3　極大似然估計　137
6．3．1　EM算法　138
6．3．2　EM算法步驟　140
6．3．3　三硬幣的EM求解　140
6．3．4　sklearn的EM方法　142
6．4　貝葉斯網(wǎng)絡(luò)　146
6．4．1　貝葉斯網(wǎng)絡(luò)的構(gòu)造和學(xué)習(xí)　146
6．4．2　貝葉斯網(wǎng)絡(luò)應(yīng)用舉例　147
習(xí)題6　150
第7章　集成學(xué)習(xí)　152
7．1　引言　152
7．2　Voting　153
7．3　Bagging　156
7．4　Boosting　161
7．4．1　AdaBoost法　161
7．4．2　Gradient Boosting　165
7．5　綜合案例　168
習(xí)題7　171
第8章　聚類　172
8．1　引言　172
8．1．1　聚類的概念　172
8．1．2　典型應(yīng)用　172
8．1．3　常見算法分類　172
8．1．4　聚類算法中存在的問題　173
8．2　距離計算　173
8．2．1　閔可夫斯基距離　173
8．2．2　歐幾里得距離　174
8．2．3　曼哈頓距離　174
8．2．4　切比雪夫距離　175
8．2．5　皮爾遜相關(guān)系數(shù)　175
8．2．6　余弦相似度　175
8．2．7　杰卡德相似系數(shù)　176
8．3　k-means聚類　176
8．3．1　算法思想　176
8．3．2　輔助函數(shù)　177
8．3．3　編程實現(xiàn)k-means算法　178
8．3．4　scikit-learn中的k-means方法　179
8．3．5　算法評價　181
8．3．6　算法改進k-means++　181
8．4　密度聚類　182
8．4．1　密度聚類算法思想　182
8．4．2　DBSCAN算法　182
8．4．3　密度峰值聚類　185
8．5　層次聚類　187
8．5．1　層次聚類思想　187
8．5．2　層次聚類實現(xiàn)　188
8．6　綜合實例　190
8．6．1　聚類算法性能比較　190
8．6．2　算法總結(jié)　193
習(xí)題8　193
第9章　降維　195
9．1　引言　195
9．1．1　降維的概念　195
9．1．2　常見算法分類　195
9．2　k-近鄰學(xué)習(xí)　196
9．2．1　算法實現(xiàn)　197
9．2．2　算法實例　199
9．2．3　算法關(guān)鍵　200
9．3　主成分分析　201
9．3．1　算法思想　201
9．3．2　算法實例　202
9．4　低維嵌入　205
9．4．1　算法原理　205
9．4．2　算法實例　206
9．4．3　算法評價　208
9．5　奇異值分解　209
9．5．1　SVD算法原理　209
9．5．2　SVD算法及應(yīng)用示例　210
9．6　綜合實例　215
9．6．1　PCA實例　215
9．6．2　SVD實例　218
習(xí)題9　219
第　10章 概率圖模型　221
10．1　引言　221
10．2　馬爾科夫過程　222
10．2．1　基本概念　222
10．2．2　隱馬爾科夫模型　225
10．3　Viterbi算法　227
10．4　綜合案例　231
習(xí)題10　233
第　11章 深度學(xué)習(xí)初步　235
11．1　引言　235
11．2　表示問題　235
11．3　學(xué)習(xí)問題　236
11．4　優(yōu)化問題　238
11．5　認(rèn)知問題　238
11．6　基本模型　239
11．6．1　自編碼器　239
11．6．2　受限玻耳茲曼機　240
11．6．3　卷積神經(jīng)網(wǎng)絡(luò)　242
11．7　TensorFlow的簡介與安裝　243
11．7．1　Python 3環(huán)境　243
11．7．2　安裝TensorFlow　243
11．7．3　驗證　243
11．8　TensorFlow的基本使用　243
11．9　基于卷積神經(jīng)網(wǎng)絡(luò)的MNIST手寫體識別實驗　245
11．9．1　conv2d函數(shù)　245
11．9．2　max_pool函數(shù)　246
11．9．3　示例程序　246
習(xí)題11　249
參考文獻　250