目录
下载源码
第1章绪论
1.1什么是机器学习
1.2机器学习与传统程序设计
1.2.1传统程序设计
1.2.2机器学习程序设计
1.2.3机器学习与人工智能
1.2.4机器学习的优势
1.3机器学习的应用领域
1.3.1预测和分类
1.3.2聚类和分组
1.3.3自然语言处理
1.4机器学习的发展趋势
1.4.1深度学习
1.4.2强化学习
1.4.3自动化机器学习
1.4.4边缘计算学习
1.4.5数据隐私和安全
1.5机器学习的人才需求
1.6本书的知识体系
1.6.1本书的结构
1.6.2本书的读者
1.7本章小结
1.8习题
1.8.1选择题
1.8.2问答题
第2章Python基础
2.1Python基础简介
2.1.1Python简介
2.1.2Python系统的安装
2.1.3第三方模块的安装
2.1.4集成开发环境的安装
2.1.5本书教学工具的安装
2.2程序设计的基本概念
2.2.1问题任务描述
2.2.2程序的组成要素
2.2.3程序的标识符
2.2.4程序中的变量
2.2.5系统的关键词
2.3Python的数据类型
2.3.1数字类型
2.3.2序列类型
2.3.3集合类型
2.3.4字典类型
2.4程序流控制
2.4.1条件语句(ifelifelse)
2.4.2循环语句(for)
2.4.3循环语句(while)
2.4.4循环控制语句（break、continue）
2.5函数
2.5.1内部函数
2.5.2自定义函数
2.5.3函数的调用
2.6数据处理与分析——Pandas
2.6.1Pandas
2.6.2Series
2.6.3DataFrame
2.6.4基本操作
2.6.5数据的导入和导出
2.6.6数据的清洗和处理
2.6.7数据可视化
2.7数据可视化——Matplotlib
2.7.1基本绘图
2.7.2自定义图形
2.7.3绘制图形
2.7.4保存图表
2.8本章小结
2.9习题
2.9.1选择题
2.9.2编程题
第3章机器学习的相关概念
3.1机器学习的基本概念
3.1.1机器学习的分类
3.1.2数据与数据集
3.1.3数据样本的属性
3.1.4数据样本的标签
3.1.5机器学习模型
3.2数据集
3.2.1数据集的类型
3.2.2数据集的来源
3.2.3数据集的获取
3.2.4数据集的生成
3.2.5数据集的划分
3.2.6数据集的特征
3.3数据之间的差异度量
3.3.1数据之间的距离
3.3.2数据之间的相似度
3.3.3数据之间的相关度
3.4数据之间的距离
3.4.1切比雪夫距离
3.4.2曼哈顿距离
3.4.3欧几里得距离
3.4.4闵可夫斯基距离
3.5数据之间的相似度
3.5.1余弦相似度
3.5.2Jaccard相似度
3.6数据之间的相关度
3.6.1皮尔逊相关系数
3.6.2斯皮尔曼相关系数
3.7本章小结
3.8习题
3.8.1选择题
3.8.2编程题
第4章数据预处理
4.1数据预处理概述
4.1.1预处理的作用
4.1.2预处理的业务
4.2数据清洗
4.2.1缺失数据发现
4.2.2缺失数据处理
4.2.3非法数据处理
4.3数据规范化
4.3.1规范化： Zscore
4.3.2归一化： Normalization
4.3.3正则化： L1、L2
4.4数据编码
4.4.1标签编码： LabelEncoder
4.4.2独热编码： OneHotEncoder
4.4.3词频向量化： CountVectorizer
4.4.4词频逆文档频率： TfidfVectorizer
4.5属性降维
4.5.1主成分分析： PCA
4.5.2核主成分分析： KPCA
4.5.3线性判别分析： LDA
4.5.4t分布随机近邻嵌入： tSNE
4.5.5等度量映射： Isomap
4.6特征选择
4.6.1特征过滤： Filter
4.6.2特征包装： Wrapper
4.6.3特征嵌入： Embedded
4.7本章小结
4.8习题
4.8.1选择题
4.8.2编程题
第5章监督学习
5.1监督学习简介
5.1.1监督学习的概念
5.1.2监督学习的流程
5.1.3监督学习的分类
5.1.4回归模型评估
5.1.5分类模型评估
5.2线性回归
5.2.1算法原理
5.2.2算法应用
5.3逻辑回归
5.3.1算法原理
5.3.2算法应用
5.4贝叶斯分类
5.4.1算法原理
5.4.2算法应用
5.5决策树
5.5.1算法原理
5.5.2算法应用
5.6支持向量机
5.6.1算法原理
5.6.2算法应用
5.7K近邻算法
5.7.1算法原理
5.7.2算法应用
5.8综合案例
5.9本章小结
5.10习题
5.10.1选择题
5.10.2编程题
第6章非监督学习
6.1非监督学习简介
6.1.1非监督学习的概念
6.1.2非监督学习的用途
6.1.3非监督学习的分类
6.1.4模型的评估指标
6.2K均值聚类
6.2.1算法原理
6.2.2算法应用
6.3层次聚类
6.3.1算法原理
6.3.2算法应用
6.4亲和传播聚类
6.4.1算法原理
6.4.2算法应用
6.5谱聚类
6.5.1算法原理
6.5.2算法应用
6.6密度聚类算法
6.6.1算法原理
6.6.2算法应用
6.7孤立森林
6.7.1算法原理
6.7.2算法应用
6.8独立成分分析
6.8.1算法原理
6.8.2算法应用
6.9非负矩阵分解
6.9.1算法原理
6.9.2算法应用
6.10综合案例
6.11本章小结
6.12习题
6.12.1选择题
6.12.2编程题目
第7章半监督学习
7.1半监督学习的介绍
7.1.1半监督学习的定义
7.1.2半监督学习的原理
7.1.3半监督学习的特点
7.1.4半监督学习的应用
7.2半监督学习的类型
7.2.1自我训练
7.2.2协同训练
7.3半监督学习的实践
7.4自训练分类器
7.4.1算法原理
7.4.2算法应用
7.4.3应用案例
7.5标签传播与扩散
7.5.1算法原理
7.5.2算法应用
7.5.3应用案例
7.6本章小结
7.7习题
7.7.1选择题
7.7.2编程题
第8章集成学习
8.1集成学习介绍
8.1.1什么是集成学习
8.1.2集成学习的原理
8.1.3集成学习的优势
8.1.4集成学习的应用
8.2集成学习的分类
8.2.1基于个体学习器的分类
8.2.2基于数据使用的分类
8.2.3基于数据分布的分类
8.2.4基于模型集成的分类
8.3集成学习常用方法
8.3.1堆叠法
8.3.2自举汇聚法
8.3.3提升法
8.3.4投票法
8.4集成学习的实践
8.4.1Stacking的实践
8.4.2Bagging的实践
8.4.3AdaBoost的实践
8.4.4Voting的实践
8.4.5XGBClassifier的实践
8.4.6随机森林的实践
8.5本章小结
8.6习题
8.6.1选择题
8.6.2编程题
第9章神经网络
9.1神经网络简介
9.1.1神经网络的起源
9.1.2神经网络的特点
9.1.3神经网络的用途
9.2神经网络的原理
9.2.1生物神经网络
9.2.2人工神经网络
9.2.3神经网络的概念
9.2.4神经网络的分类
9.3神经网络的设计
9.3.1神经网络的设计步骤
9.3.2模型的评估方法
9.3.3神经网络的误区
9.4神经网络实践
9.4.1回归模型： MLPRegressor
9.4.2分类模型： MLPClassifier
9.4.3特征提取： BernoulliRBM
9.5本章小结
9.6习题
9.6.1选择题
9.6.2编程题
第10章模型部署和应用
10.1模型的存储与使用
10.1.1本地模型的存储
10.1.2本地模型的使用
10.1.3Hugging Face模型资源
10.1.4Hugging Face模型检索
10.1.5集成模型与Web应用
10.2Streamlit提供的Web框架
10.2.1Streamlit的主要用途
10.2.2Streamlit的开发环境
10.2.3Streamlit程序的组成
10.2.4Streamlit的界面设计
10.2.5Streamlit的事件处理
10.3Web应用程序的综合案例
10.3.1部署一个简单的Web应用
10.3.2集成本地模型的Web应用
10.3.3集成在线模型的Web应用
10.4本章小结
10.5习题
10.5.1选择题
10.5.2编程题
第11章机器学习的发展方向
11.1机器学习的发展方向简介
11.1.1联邦学习
11.1.2多模态机器学习
11.1.3机器学习的可解释性
11.1.4机器学习的自动化
11.2AutoML介绍
11.2.1AutoML的概念
11.2.2AutoML的应用
11.2.3AutoML的工具
11.3PyCaret自动学习
11.3.1PyCaret的功能
11.3.2PyCaret的使用
11.3.3PyCaret的案例
11.4本章小结
11.5习题
11.5.1选择题
11.5.2编程题
后记
参考文献
