跟著迪哥學(xué)Python數(shù)據(jù)分析與機(jī)器學(xué)習(xí)實戰(zhàn)

第 1章 人工智能入學(xué)指南
1．1 AI時代首選Python
1．1．1 Python的特點(diǎn)
1．1．2 Python該怎么學(xué)
1．2 人工智能的核心——機(jī)器學(xué)習(xí)
1．2．1 什么是機(jī)器學(xué)習(xí)
1．2．2 機(jī)器學(xué)習(xí)的流程
1．2．3 機(jī)器學(xué)習(xí)該怎么學(xué)
1．3 環(huán)境配置
1．3．1 Anaconda大禮包
1．3．2 Jupyter Notebook
1．3．3 上哪找資源
本章總結(jié)
第 2章 科學(xué)計算庫（Numpy）
2．1 Numpy的基本操作
2．1．1 Array數(shù)組
2．1．2 數(shù)組特性
2．1．3 數(shù)組屬性操作
2．2 索引與切片
2．2．1 數(shù)值索引
2．2．2 bool索引
2．3 數(shù)據(jù)類型與數(shù)值計算
2．3．1 數(shù)據(jù)類型
2．3．2 復(fù)制與賦值
2．3．3 數(shù)值運(yùn)算
2．3．4 矩陣乘法
2．4 常用功能模塊
2．4．1 排序操作
2．4．2 數(shù)組形狀操作
2．4．3 數(shù)組的拼接
2．4．4 創(chuàng)建數(shù)組函數(shù)
2．4．5 隨機(jī)模塊
2．4．6 文件讀寫
本章總結(jié)
第3章 數(shù)據(jù)分析處理庫（Pandas）
3．1 數(shù)據(jù)預(yù)處理
3．1．1 數(shù)據(jù)讀取
3．1．2 DataFrame結(jié)構(gòu)
3．1．3 數(shù)據(jù)索引
3．1．4 創(chuàng)建DataFrame
3．1．5 Series操作
3．2 數(shù)據(jù)分析
3．2．1 統(tǒng)計分析
3．2．2 pivot數(shù)據(jù)透視表
3．2．3 groupby操作
3．3 常用函數(shù)操作
3．3．1 Merge操作
3．3．2 排序操作
3．3．3 缺失值處理
3．3．4 apply自定義函數(shù)
3．3．5 時間操作
3．3．6 繪圖操作
3．4 大數(shù)據(jù)處理技巧
3．4．1 數(shù)值類型轉(zhuǎn)換
3．4．2 屬性類型轉(zhuǎn)換
本章總結(jié)
第4章 數(shù)據(jù)可視化庫（Matplotlib）
4．1 常規(guī)繪圖方法
4．1．1 細(xì)節(jié)設(shè)置
4．1．2 子圖與標(biāo)注
4．1．3 風(fēng)格設(shè)置
4．2 常用圖表繪制
4．2．1條形圖
4．2．2 盒圖
4．2．3 直方圖與散點(diǎn)圖
4．2．4 3D圖
4．2．5 布局設(shè)置
本章總結(jié)
第5章 回歸算法
5．1 線性回歸算法
5．1．1 線性回歸方程
5．1．2 誤差項分析
5．1．3 似然函數(shù)求解
5．1．4 線性回歸求解
5．2 梯度下降算法
5．2．1 下山方向選擇
5．2．2 梯度下降優(yōu)化
5．2．3 梯度下降策略對比
5．2．4 學(xué)習(xí)率對結(jié)果的影響
5．3 邏輯回歸算法
5．3．1 原理推導(dǎo)
5．3．2 邏輯回歸求解
本章總結(jié)
第6章 邏輯回歸項目實戰(zhàn)——信用卡欺詐檢測
6．1 數(shù)據(jù)分析與預(yù)處理
6．1．1 數(shù)據(jù)讀取與分析
6．1．2 樣本不均衡解決方案
6．1．3 特征標(biāo)準(zhǔn)化
6．2 下采樣方案
6．2．1 交叉驗證
6．2．2 模型評估方法
6．2．3 正則化懲罰
6．3 邏輯回歸模型
6．3．1 參數(shù)對結(jié)果的影響
6．3．2 混淆矩陣
6．3．3 分類閾值對結(jié)果的影響
6．4 過采樣方案
6．4．1 SMOTE數(shù)據(jù)生成策略
6．4．2 過采樣應(yīng)用效果
項目總結(jié)
第7章 決策樹
7．1 決策樹原理
7．1．1 決策樹的基本概念
7．1．2 衡量標(biāo)準(zhǔn)
7．1．3 信息增益
7．1．4 決策樹構(gòu)造實例
7．1．5 連續(xù)值問題
7．1．6 信息增益率
7．1．7 回歸問題求解
7．2 決策樹剪枝策略
7．2．1 剪枝策略
7．2．2 決策樹算法涉及參數(shù)
本章總結(jié)
第8章 集成算法
8．1 bagging算法
8．1．1 并行的集成
8．1．2 隨機(jī)森林
8．2 boosting算法
8．2．1 串行的集成
8．2．2 Adaboost算法
8．3 stacking模型
本章總結(jié)
第9章 隨機(jī)森林項目實戰(zhàn)——?dú)鉁仡A(yù)測
9．1 隨機(jī)森林建模
9．1．1 特征可視化與預(yù)處理
9．1．2 隨機(jī)森林回歸模型
9．1．3 樹模型可視化方法
9．1．4 特征重要性
9．2 數(shù)據(jù)與特征對結(jié)果影響分析
9．2．1 特征工程
9．2．2 數(shù)據(jù)量對結(jié)果影響分析
9．2．2 特征數(shù)量對結(jié)果影響分析
9．3 模型調(diào)參
9．3．1 隨機(jī)參數(shù)選擇
9．3．2 網(wǎng)絡(luò)參數(shù)搜索
項目總結(jié)
第 10章 特征工程
10．1 數(shù)值特征
10．1．1 字符串編碼
10．1．2 二值與多項式特征
10．1．3 連續(xù)值離散化
10．1．4 對數(shù)與時間變換
10．2 文本特征
10．2．1 詞袋模型
10．2．2 常用文本特征構(gòu)造方法
10．3 論文與benchmark
本章總結(jié)
第 11章： 貝葉斯算法項目實戰(zhàn)——新聞分類
11．1 貝葉斯算法
11．1．1 貝葉斯公式
11．1．2 拼寫糾錯實例
11．1．3 垃圾郵件分類
11．2 新聞分類任務(wù)
11．2．1 數(shù)據(jù)清洗
11．2．1 TF-IDF關(guān)鍵詞提取
項目總結(jié)
第 12章 支持向量機(jī)
12．1 支持向量機(jī)工作原理
12．1．1 支持向量機(jī)要解決的問題
12．1．2 距離與標(biāo)簽定義
12．1．3 目標(biāo)函數(shù)
12．1．4 拉格朗日乘子法
12．2 支持向量的作用
12．2．1 支持向量機(jī)求解
12．2．2 支持向量的作用
12．3 支持向量機(jī)涉及參數(shù)
12．3．1 軟間隔參數(shù)選擇
12．3．2 核函數(shù)的作用
12．4 案例：參數(shù)對結(jié)果的影響
12．4．1 SVM基本模型
12．4．2 核函數(shù)變換
12．4．3 SVM參數(shù)選擇
12．4．4 SVM人臉識別實例
本章總結(jié)
第 13章 推薦系統(tǒng)
13．1 推薦系統(tǒng)的應(yīng)用
13．2 協(xié)同過濾算法
13．2．1 基于用戶的協(xié)同過濾
13．2．1 基于商品的協(xié)同過濾
13．3 隱語義模型
13．3．1 矩陣分解思想
13．3．2 隱語義模型求解
13．3．3 評估方法
本章總結(jié)
第 14章 推薦系統(tǒng)項目實戰(zhàn)——打造音樂推薦系統(tǒng)
14．1 數(shù)據(jù)集清洗
14．1．1 統(tǒng)計分析
14．1．2 數(shù)據(jù)集整合
14．2 基于相似度的推薦
14．2．1 排行榜推薦
14．2．2 基于歌曲相似度的推薦
14．3 基于矩陣分解的推薦
14．3．1 奇異值分解
14．3．2 使用SVD算法進(jìn)行音樂推薦
項目總結(jié)
第 15章 降維算法
15．1 線性判別分析
15．1．1 降維原理概述
15．1．2 優(yōu)化的目標(biāo)
15．1．3 線性判別分析求解
15．1．4 Python實現(xiàn)線性判別分析降維
15．2 主成分分析
15．2．1 PCA降維基本知識點(diǎn)
15．2．2 PCA優(yōu)化目標(biāo)求解
15．2．3 Python實現(xiàn)PCA降維
本章總結(jié)
第 16章 聚類算法
16．1 K-means算法
16．1．1 聚類的基本特性
16．1．2 K-means算法原理
16．1．2 K-means涉及參數(shù)
16．1．3 K-means聚類效果與優(yōu)缺點(diǎn)
16．2 DBSCAN聚類算法
16．2．1 DBSCAN算法概述
10．2．2 DBSCAN工作流程
16．2．3 半徑對結(jié)果的影響
16．3 聚類實例
本章總結(jié)
第 17章 神經(jīng)網(wǎng)絡(luò)
17．1 神經(jīng)網(wǎng)絡(luò)必備基礎(chǔ)
17．1．1 神經(jīng)網(wǎng)絡(luò)概述
17．1．2 計算機(jī)眼中的圖像
17．1．3 得分函數(shù)
17．1．4 損失函數(shù)
17．1．5 反向傳播
17．2 神經(jīng)網(wǎng)絡(luò)整體架構(gòu)
11．2．1 整體框架
17．2．2 神經(jīng)元的作用
17．2．3 正則化
17．2．4 激活函數(shù)
17．3 網(wǎng)絡(luò)調(diào)優(yōu)細(xì)節(jié)
17．3．1 數(shù)據(jù)預(yù)處理
17．3．2 Drop-Out
17．3．3 數(shù)據(jù)增強(qiáng)
17．3．4 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
本章總結(jié)
第 18章 TensorFlow實戰(zhàn)
18．1 TensorFlow基本操作
18．1．1 Tensorflow特性
18．1．2 Tensorflow基本操作
18．1．3 Tensorflow實現(xiàn)回歸任務(wù)
18．2 搭建神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫字體識別
本章總結(jié)
第 19章 卷積神經(jīng)網(wǎng)絡(luò)
19．1 卷積操作原理
19．1．1 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用
19．1．2 卷積操作流程
19．1．3 卷積計算方法
19．1．4 卷積涉及參數(shù)
19．1．5 池化層
19．2 經(jīng)典網(wǎng)絡(luò)架構(gòu)
19．2．1 卷積神經(jīng)網(wǎng)絡(luò)整體架構(gòu)
19．2．2 AlexNet網(wǎng)絡(luò)
19．2．3 VGG網(wǎng)絡(luò)
19．2．4 ResNet網(wǎng)絡(luò)
19．3 TensorFlow實戰(zhàn)卷積神經(jīng)網(wǎng)絡(luò)
本章總結(jié)
第 20章 神經(jīng)網(wǎng)絡(luò)項目實戰(zhàn)——影評情感分析
20．1 遞歸神經(jīng)網(wǎng)絡(luò)
20．1．1 RNN網(wǎng)絡(luò)架構(gòu)
20．1．2 LSTM網(wǎng)絡(luò)
20．2 影評數(shù)據(jù)特征工程
20．2．1 詞向量
20．2．2 數(shù)據(jù)特征制作
20．3 構(gòu)建RNN模型
項目總結(jié)