AI制胜 机器学习极简入门

本书覆盖机器学习概述、数据预处理、K近邻算法、回归算法、决策树、K-means聚类算法、随机森林、贝叶斯算法、支持向量机、神经网络、人脸识别入门实践等内容，从最简单的常识出发来切入AI领域，打造无缝平滑的学习体验。

机器学习包括有监督学习、无监督学习和半监督学习，而具体的问题又大致可以分两类：分类问题和回归问题。本书分为8章，使用Python第三方工具库深入讲解机器学习极大重要算法的实现，内容包括机器学习概述、贝叶斯分类、决策树、集成学习、支持向量机、神经网络、卷积神经网络、卷积神经网络分割图片实战。

第1章机器学习概述1
1.1什么是机器学习1
1.2机器学习的流程3
1.2.1数据收集3
1.2.2数据预处理3
1.2.3特征工程4
1.2.4模型构建和训练4
1.3机器学习该如何学5
1.3.1AI时代优选Python5
1.3.2PyCharm可视化编辑器和Anaconda大礼包7
1.3.3掌握算法原理与掌握机器学习软件库同等重要13
1.3.4机器学习与深度学习的区别13
1.4机器学习分类15
1.4.1监督学习15
1.4.2无监督学习16
1.4.3强化学习16
1.5过拟合和欠拟合17
1.5.1过拟合18
1.5.2欠拟合18
1.6衡量机器学习模型的指标19
1.6.1正确率、准确率和召回率19
1.6.2F1score和ROC曲线21
第2章机器学习中的数据预处理24
2.1数据预处理的重要性和原则24
2.2数据预处理方法介绍25
2.2.1数据预处理案例——标准化、归一化、二值化25
2.2.2数据预处理案例——缺失值补全、标签化26
2.2.3数据预处理案例——独热编码28
2.2.4通过数据预处理提高模型准确率29
2.3数据降维31
2.3.1什么叫数据降维31
2.3.2PCA主成分分析原理31
2.3.3PCA主成分分析实战案例33
第3章k最近邻算法36
3.1K最近邻算法的原理36
3.2K最近邻算法过程详解37
3.3KNN算法的注意事项39
3.3.1k近邻的k值该如何选取39
3.3.2距离的度量39
3.3.3特征归一化的必要性41
3.4K最近邻算法案例分享42
3.4.1电影分类kNN算法实战42
3.4.2使用scikit-learn机器学习库内置的kNN算法实现水果识别器44
3.5KNN算法优缺点47
第4章回归算法49
4.1线性回归49
4.1.1什么是线性回归49
4.1.2最小二乘法51
4.1.3梯度下降法52
4.2线性回归案例实战57
4.2.1房价预测线性回归模型案例一57
4.2.2房价预测线性回归模型案例二60
4.3逻辑回归62
4.3.1逻辑回归概念和原理62
4.3.2逻辑回归案例实战64
4.4回归算法总结和优缺点65
第5章决策树66
5.1决策树概念66
5.2信息熵68
5.3信息增益与信息增益比69
5.4基尼系数70
5.5过拟合与剪枝70
5.6决策树算法案例实战——预测患者佩戴隐形眼镜类型71
5.7决策树算法实战案例——电影喜好预测73
5.8总结77
第6章K-means聚类算法78
6.1何为聚类78
6.2K-MEANS算法思想和原理79
6.3K-MEANS算法涉及的参数和优缺点82
6.3.1K-means涉及参数82
6.3.2K-means优缺点84
6.4K-MEANS应用场景84
6.5K-MEANS聚类算法实现鸢尾花数据的聚类85
6.6K-MEANS算法实现客户价值分析87
6.7K-MEANS算法实现对亚洲足球队做聚类90
第7章随机森林92
7.1随机森林概述92
7.1.1什么是随机森林92
7.1.2随机森林的优缺点93
7.2随机森林实战——红酒数据集案例94
7.3随机森林算法实战——泰坦尼克号生存预测97
第8章朴素贝叶斯算法101
8.1朴素贝叶斯算法概念和原理101
8.2贝叶斯算法实战案例——曲奇饼105
8.3贝叶斯算法案例实战——单词拼写纠错106
8.4贝叶斯算法案例实战——识别中文垃圾邮件109
8.5贝叶斯算法案例实战——鸢尾花分类预测112
第9章支持向量机SVM116
9.1支持向量机概述116
9.2工作原理119
9.2.1线性分类119
9.2.2线性不可分120
9.2.3核函数122
9.3SVM的核函数选择和参数的调整122
9.4SVM算法案例实战——波士顿房价分析124
9.5SVM算法案例实战——鸢尾花分类126
9.6SVM算法优缺点128
第10章神经网络130
10.1神经网络概念130
10.1.1神经元130
10.1.2激活函数132
10.1.3神经网络133
10.2卷积神经网络（CNN）135
10.2.1计算机识别图像的过程135
10.2.2卷积神经网络详解136
10.3用PYTHON实现自己的神经网络案例138
10.4多层神经网络基于SKLEARN的实现案例141
10.5使用KERAS框架实现神经网络案例145
10.5.1Keras深度学习框架简介和安装145
10.5.2Keras实现多层感知器模型MLP146
10.5.3Keras实现卷积神经网络CNN149
第11章人脸识别入门实践151
11.1人脸识别简介151
11.1.1什么是人脸识别151
11.1.2人脸识别过程步骤153
11.2人脸检测和关键点定位实战156
11.3人脸表情分析——情绪识别实战160
11.4我能认识你——人脸识别实战161