机器学习基础与实践/慧科人工智能系列丛书

本课程从实践角度考虑，结合部分数学统计学知识讲解最经典的机器学习算法，主要内容是机器学习思想在具体项目上的示例和代码实现、如何做算法的参数调试和分析各种算法的选择等。本课程重视项目实践如工业实践、算法竞赛实践等，重视落地，使学生在实践中思考不同算法之间的区别和联系，提高在实际工作中选择算法的能力。本课程实践项目涉及信用卡欺诈、公共自行车租赁、波士顿房价、地铁人流量预测、广告点击率、O2O电商优惠券核销、美国人口普查及收入预测等18个实践案例。

\\\"山西大学认知科学哲学方向硕士。主要从事人工智能算法方向的研究工作，具有丰富的人工智能教育类项目管理经验和高校授课经验。在CSSCI中文核心期刊《科学技术哲学研究》发表《对笛卡尔预设批判与重建》一文。 \\\"

目录 第1章机器学习概览1 1.1人工智能技术发展史和机器学习定义1 1.2必要的基础概念3 1.3机器学习项目工作流程5 1.4机器学习任务场景6 小结与讨论8 习题8第2章特征工程方法9 2.1特征类型9 2.2特征处理10 2.3特征选择11 2.4案例1： 北京房价数据特征工程12 2.4.1案例介绍12 2.4.2案例目标13 2.4.3案例拆解13 2.5案例2: 泰坦尼克号乘客逃生数据特征工程16 2.5.1案例介绍16 2.5.2案例目标17 2.5.3案例拆解17 小结与讨论20 习题20第3章决策树21 3.1决策树实现过程21 3.2决策树的目标函数24 3.3案例1: 鸢尾花分类26 3.3.1案例介绍26 3.3.2案例目标26 3.3.3案例拆解26 3.4案例2: 信用卡欺诈预测31 3.4.1案例介绍31 3.4.2案例目标31 3.4.3案例拆解31 小结与讨论41 习题42第4章K最近邻43 4.1K最近邻实现43 4.2距离度量45 4.3案例1: O2O优惠券使用日期预测46 4.3.1案例介绍46 4.3.2案例目标46 4.3.3案例拆解47 4.4案例2: 葡萄酒原产地预测52 4.4.1案例介绍52 4.4.2案例目标52 4.4.3案例拆解52 小结与讨论61 习题61第5章支持向量机62 5.1SVM建模思路62 5.2核技巧64 5.3案例1: 手写数字识别69 5.3.1案例介绍69 5.3.2案例目标70 5.3.3案例拆解70 5.4案例2: 地铁人流量预测71 5.4.1案例介绍71 5.4.2案例目标71 5.4.3案例拆解71 小结与讨论77 习题78第6章朴素贝叶斯79 6.1贝叶斯基础和最大后验概率79 6.2朴素贝叶斯的实现81 6.3案例1： 糖尿病病情预测85 6.3.1案例介绍85 6.3.2案例目标85 6.3.3案例拆解85 6.4案例2: 亚马逊消费者投诉分析91 6.4.1案例介绍91 6.4.2案例目标91 6.4.3案例拆解92 小结与讨论98 习题98第7章线性回归与逻辑回归99 7.1线性回归的实现99 7.2逻辑回归的实现100 7.3案例1： 广告点击率预测101 7.3.1案例介绍101 7.3.2案例目标101 7.3.3案例拆解101 7.4案例2: 波士顿房价预测105 7.4.1案例介绍105 7.4.2案例目标105 7.4.3案例拆解105 小结与讨论110 习题110第8章集成思想 111 8.1随机森林111 8.2梯度提升决策树112 8.3案例1： 美国居民收入预测112 8.3.1案例介绍112 8.3.2案例目标112 8.3.3案例拆解112 8.4案例2: 公共自行车租赁预测120 8.4.1案例介绍120 8.4.2案例目标120 8.4.3案例拆解120 小结与讨论125 习题125第9章聚类与降维126 9.1聚类概述126 9.2KMeans算法的实现过程129 9.3案例1： 蘑菇数据聚类131 9.3.1案例介绍131 9.3.2案例目标131 9.3.3案例拆解131 9.4案例2: 图像数据压缩136 9.4.1案例介绍136 9.4.2案例目标136 9.4.3案例拆解136 小结与讨论138 习题138第10章神经网络方法 139 10.1神经网络方法基础原理139 10.2全连接神经网络的组成139 10.3案例1: 时装图像分类140 10.3.1案例介绍140 10.3.2案例目标140 10.3.3案例拆解140 10.4案例2: 人脸图像识别143 10.4.1案例介绍143 10.4.2案例目标143 10.4.3案例拆解143 小结与讨论147 习题148 附录A环境问题QA149