首页 > 图书中心 > 机器学习应用实战

目录

目录

第一部分基础篇

第1章机器学习基础

1.1机器学习概述

1.1.1机器学习任务

1.1.2重要概念

1.1.3性能评估

1.2编程语言与环境

1.2.1Python简介

1.2.2Python环境配置与安装

1.2.3Python机器学习编程库

1.2.4PyTorch框架

第2章数据预处理

2.1数据清洗

2.1.1缺失值处理

2.1.2离群值检测

2.2数据转换

2.2.1数字化

2.2.2离散化

2.2.3正规化

2.2.4数值转换

2.3数据压缩

2.3.1降维

2.3.2实例选择和采样

2.4应用案例: 基于PCA的数据降维 

2.4.1数据集

2.4.2PCA降维

2.4.3案例结果及分析

第3章简单分类算法

3.1朴素贝叶斯分类算法

3.2KNN分类算法

3.2.1KNN算法实现原理

3.2.2KNN算法实现步骤

3.2.3KNN算法优缺点

3.3应用案例: KNN分类

3.3.1数据集

3.3.2构建KNN分类器

3.3.3案例结果及分析

第4章决策树

4.1决策树模型

4.2特征选择

4.2.1特征和数据划分

4.2.2划分标准

4.3决策树生成算法

4.3.1ID3决策树生成算法

4.3.2C4.5决策树生成算法

4.4CART算法

4.4.1决策树的剪枝

4.4.2CART生成算法

4.4.3CART剪枝算法

4.5应用案例: 基于决策树的鸢尾花图像分类

4.5.1数据集

4.5.2构建决策树

4.5.3案例结果及分析

第5章支持向量机

5.1支持向量机的基本原理

5.1.1线性可分

5.1.2最大间隔问题

5.1.3支持向量

5.2常用核函数

5.2.1线性核函数

5.2.2高斯核函数

5.2.3多项式核函数

5.3应用案例: 基于SVM的异或数据集划分

5.3.1数据集及数据预处理

5.3.2构建SVM分类器

5.3.3案例结果及分析

第6章回归分析

6.1线性回归

6.1.1简单线性回归

6.1.2多元线性回归

6.2多项式回归

6.3正则化回归

6.3.1岭回归

6.3.2最小绝对收缩与选择算子

6.3.3弹性网络

6.4随机森林回归

6.5回归模型的性能评估

6.6回归模型的实现

6.6.1线性回归实现

6.6.2多项式回归实现

6.6.3正则化回归实现

6.6.4随机森林回归实现

6.7应用案例: 基于随机森林的房价预测

6.7.1数据集

6.7.2数据预处理

6.7.3随机森林回归模型建立

6.7.4案例结果及分析

第7章聚类分析

7.1聚类概述

7.1.1性能度量

7.1.2距离计算

7.2Kmeans算法

7.3层次聚类

7.4密度聚类

7.4.1DBSCAN相关概念

7.4.2DBSCAN算法流程

7.5应用案例

7.5.1Kmeans应用案例

7.5.2层次聚类应用案例

7.5.3DBSCAN应用案例

第8章神经网络与多层感知机

8.1神经元模型

8.2感知机原理及结构

8.2.1单层感知机

8.2.2多层感知机

8.2.3反向传播算法

8.3应用案例: 基于多层感知机的手写数字识别

8.3.1数据集及数据预处理

8.3.2三层感知机构建

8.3.3案例结果及分析

第二部分综合篇

第9章基于CNN的图像识别

9.1CNN的基本组成

9.1.1卷积运算基本过程

9.1.2多通道卷积

9.1.3池化

9.2CNN模型简介

9.3基于PyTorch构建CNN

9.4应用案例: 基于CNN的人脸性别识别

9.4.1数据集

9.4.2数据预处理

9.4.3搭建卷积神经网络

9.4.4案例结果及分析

第10章基于RNN的序列数据分类

10.1面向序列数据的机器学习

10.1.1RNN相关背景知识

10.1.2序列数据

10.1.3序列数据与建模

10.2RNN的常用网络结构

10.2.1基本结构

10.2.2简单循环网络模型

10.2.3门控算法模型

10.3基于PyTorch构建LSTM

10.4应用案例: 基于LSTM的文本分类

10.4.1数据准备

10.4.2模型构建和实现

10.4.3训练模型

10.4.4测试模型

第11章基于GNN的文本分类

11.1GNN基础

11.1.1GNN模型简介

11.1.2GCN模型简介

11.2GCN构建

11.2.1代码层次结构

11.2.2代码实现

11.3应用案例: 基于GCN的文本分类

11.3.1TextGCN介绍

11.3.2基于TextGCN的文本分类

11.3.3案例结果及分析

第12章基于GAN的图像生成

12.1GAN概述 

12.1.1自编码器

12.1.2生成模型

12.1.3GAN基本原理

12.1.4GAN模型结构

12.1.5GAN的两种目标函数

12.1.6GAN的训练

12.2基于PyTorch构建GAN

12.2.1网络结构

12.2.2基于PyTorch建立GAN模型

12.3应用案例: 基于GAN的图像生成

12.3.1FashionMNIST数据集

12.3.2数据预处理

12.3.3搭建GAN模型

12.3.4案例结果及分析

第三部分拓展篇

第13章基于百度飞桨的车道线检测

13.1百度飞桨平台简介

13.2百度AI Studio平台简介

13.3使用AI Studio平台创建第一个项目

13.4应用案例: 车道线检测

13.4.1车道线检测数据集

13.4.2评价指标

13.4.3数据预处理

13.4.4模型构建

13.4.5训练和预测

第14章基于旷视天元MegEngine的目标检测

14.1旷视天元MegEngine平台简介

14.1.1MegEngine整体架构

14.1.2旷视天元平台特点

14.2MegEngine平台使用方法

14.2.1注册

14.2.2创建项目

14.3应用案例: 基于MegEngine的目标检测

14.3.1MSCOCO数据集

14.3.2目标检测评估指标

14.3.3模型训练与测试

第15章机器学习竞赛平台实践

15.1主流竞赛平台

15.1.1Kaggle竞赛

15.1.2天池大数据竞赛

15.2Kaggle竞赛实践

15.2.1应用案例1: 泰坦尼克之灾

15.2.2应用案例2: 细粒度犬种识别

15.2.3应用案例3: Home Depot产品相关性预测

15.3天池大数据竞赛实践

15.3.1应用案例1: 街景字符编码识别

15.3.2应用案例2: NLP新闻文本分类

15.3.3应用案例3: 贷款违约预测

参考文献

版权所有(C)2023 清华大学出版社有限公司 京ICP备10035462号 京公网安备11010802042911号

联系我们 | 网站地图 | 法律声明 | 友情链接 | 盗版举报 | 人才招聘