机器学习入门与实战 Python实践应用

本书配套资源丰富，包括教学大纲、教学课件、电子教案、程序源码、习题答案，作者还为本书精心录制了600分钟的微课视频。

本书主要介绍经典的机器学习算法的原理和改进，以及Python的实例实现。本书的内容可以分成三部分： 第一部分是机器学习概念篇（第1章），充分介绍机器学习的相关概念，并且对机器学习的各种算法进行分类，以便读者对机器学习的知识框架有整体的了解，从而在后续的学习中更容易接受机器学习涉及的各类算法； 第二部分是Python机器学习基础篇（第2章和第3章），简单介绍Python的基本使用方法、机器学习库scikit-learn和人工智能工具集OpenAI Gym；第三部分是机器学习算法与Python实践篇（第4~19章），对监督学习、无/非监督学习、强化学习三大类常用算法逐一讲解，包括机器学习算法的原理、算法的优缺点、算法的实例解释以及Python的实践应用。
本书适合对人工智能、机器学习感兴趣的读者，希望用机器学习完成设计的计算机或电子信息专业的学生，准备开设机器学习、深度学习实践课的授课老师，学习过C语言，且希望进一步提高编程水平的开发者，刚从事机器学习、语音、机器视觉、智能机器人研发的算法工程师阅读。

第一部分机器学习概念篇
第1章机器学习基础
1.1机器学习概述
1.1.1机器学习概念
1.1.2机器学习的发展史
1.1.3机器学习的用途
1.1.4机器学习、数据挖掘及人工智能的关系
1.2机器学习的基本术语
1.3机器学习的任务及算法分类
1.4如何学习和运用机器学习
1.4.1软件平台的选择
1.4.2机器学习应用的实现流程
1.5数据预处理
1.5.1数据选取
1.5.2数据清理
1.5.3数据集成
1.5.4数据变换
1.5.5数据归约
本章参考文献
第二部分Python机器学习基础篇
第2章Python基础入门
2.1Python的安装方法
2.2Python学习工具介绍
2.2.1PyCharm的安装
2.2.2PyCharm界面介绍
2.2.3PyCharm例程的运行
2.3Python语法介绍
2.3.1语法的基本注意事项
2.3.2运算符
2.3.3基本语句
2.4Python基本绘图
2.4.1建立空白图
2.4.2散点图
2.4.3函数图
2.4.4扇形图
2.4.5柱状图
2.4.6三维散点
2.4.7三维曲线
2.4.8三维曲面
本章参考文献
第3章Python机器学习工具箱
3.1机器学习的利器——scikit-learn
3.1.1scikit-learn的基础知识
3.1.2scikit-learn的安装
3.1.3基本功能的介绍
3.2强化学习的利器——OpenAI Gym
本章参考文献
第三部分机器学习算法与Python实践篇
第4章k近邻算法
4.1k近邻算法的原理
4.1.1k近邻算法的实例解释
4.1.2k近邻算法的特点
4.2基于k近邻算法的算法改进
4.2.1快速KNN算法
4.2.2k-d树KNN算法
4.3k近邻算法的Python实践
本章参考文献
第5章决策树
5.1决策树算法概述
5.1.1决策树算法的基本原理
5.1.2决策树算法的特点
5.1.3决策树剪枝
5.1.4分类决策树与回归决策树
5.2基于决策树算法的算法改进
5.2.1ID3决策树
5.2.2C4.5决策树
5.2.3分类回归树
5.2.4随机森林
5.3决策树算法的Python实现
本章参考文献
第6章支持向量机
6.1支持向量机算法概述
6.1.1支持向量机概述
6.1.2支持向量机算法及推导
6.1.3支持向量机的核函数
6.2改进的支持向量机算法
6.3支持向量机算法的Python实践
本章参考文献
第7章朴素贝叶斯
7.1贝叶斯定理
7.2朴素贝叶斯分类算法
7.3朴素贝叶斯实例分析
7.4朴素贝叶斯分类算法的改进
7.4.1半朴素贝叶斯分类模型
7.4.2树增强朴素贝叶斯分类模型
7.4.3贝叶斯网络
7.4.4朴素贝叶斯树
7.4.5属性加权朴素贝叶斯分类算法
7.5朴素贝叶斯算法的Python实践
本章参考文献
第8章线性回归
8.1线性回归的原理
8.1.1简单线性回归
8.1.2线性回归实例
8.2多元线性回归
8.3线性回归算法的Python实践
本章参考文献
第9章逻辑回归
9.1逻辑回归的原理
9.1.1Sigmoid函数
9.1.2梯度下降法


9.2逻辑回归及公式推导

……