机器学习从入门到精通

随着人工智能时代的到来，它对机器学习发展的影响日益剧增。从基于符号主义的机器学习发展到基于数据统计的机器学习，反映了机器学习从纯粹的理论研究和模型研究发展到以解决现实生活中实际问题为目的的应用研究，这是科学研究的一种进步。目前市面上有机器学习的纯理论书籍，也有具体操作实践的书籍，然而理论与实践相结合的书籍却少之又少。本书从理论入门到实际操练，全面而详细地介绍了机器学习的各个分支以及其实现，实现了机器学习从理论到实践的完美结合。本书共分三篇，分别为铸刀篇、招式篇和实战篇。其中，铸刀篇主要介绍机器学习的基础知识及前期准备工作，为后面的学习打下良好的基础；招式篇以基础应用为支撑，主要介绍相关机器学习的主要应用招式；实战篇通过房价预测与人脸识别两个实际案例，覆盖了典型的回归与分类、结构化数据与非结构化数据的机器学习，进行机器学习的再次升华。此外，附录中简要介绍了TensorFlow框架的主要函数，便于读者随时查找。本书可作为高校机器学习、数据挖掘及相关课程的教材或教学参考书，也可作为人工智能、大数据领域从业者的自学参考书。

第一篇铸刀
第1章初识机器学习
本章导读
知识要点
1．1什么是机器学习
1．2机器学习的工作流程
1．2．1准备数据集
1．2．2进行模型训练
1．2．3模型评估
1．3假设空间和归纳偏好
1．3．1假设空间
1．3．2归纳偏好
1．4发展历程
1．4．1决策树的命运变迁
1．4．2神经网络的众多名称和命运变迁
1．5应用现状
新手问答
本章小结
第2章机器学习之刃TensorFlow
本章导读
知识要点
2．1认识TensorFlow
2．2TensorFlow的安装与工作原理
2．2．1TensorFlow安装图解
2．2．2TensorFlow的工作原理
2．2．3什么是计算图
2．2．4什么是会话
2．2．5什么是张量
2．3常量、变量和占位符
2．3．1基本概念
2．3．2基本运算
2．4操作矩阵
2．4．1矩阵的创建
2．4．2矩阵的运算
2．4．3矩阵的分解和特征值
2．5使用激活函数
2．5．1什么是激活函数
2．5．2Sigmoid函数
2．5．3Tanh函数
2．5．4Relu函数
2．5．5Softplus函数
2．6读取数据源
2．6．1通过Excel表导入数据集
2．6．2通过CSV文件导入数据集
2．6．3通过库中自带的数据集导入数据集
2．6．4导入图片数据集
2．6．5将数据集通过URL自动进行下载
新手问答
牛刀小试
本章小结
第3章数据分析基础
本章导读
知识要点
3．1认识Numpy和Pandas
3．2Numpy的基本使用
3．2．1创建ndarray数组
3．2．2运用ndarray数组
3．3Pandas的基本使用
3．3．1Series数据结构
3．3．2DataFrame数据结构
新手问答
牛刀小试
本章小结
第4章模型的评价与评估
本章导读
知识要点
4．1损失函数
4．1．1最小二乘
4．1．2梯度下降
4．2经验误差与拟合
4．3数据集划分
4．3．1留出法
4．3．2交叉验证法
4．3．3自助法
4．4调参与最终模型
4．5模型性能度量
4．5．1均方误差
4．5．2错误率与准确度
4．5．3准确度、灵敏度与F1
4．5．4受试者工作特征与AUC
4．5．5代价敏感错误率与代价曲线
4．6比较检验
4．6．1假设检验
4．6．2麦克尼马尔变化显著性检验
4．7偏差与方差
4．8不同学习模型下的模型评价与评估
4．8．1不同学习模型下的数据集划分
4．8．2不同学习模型下的模型评价
新手问答
牛刀小试
本章小结
第5章数据准备
本章导读
知识要点
5．1数据探索
5．1．1数据质量分析
5．1．2数据特征分析
5．2数据预处理
5．2．1数据清洗
5．2．2数据集成
5．2．3数据变换
5．2．4数据规约
新手问答
牛刀小试
本章小结
第二篇招式
第6章回归
本章导读
知识要点
6．1回归分析算法的基础知识
6．1．1回归与拟合
6．1．2汽车油耗数据集准备
6．1．3在Excel中添加回归趋势线预测
6．2线性回归
6．2．1线性回归的基本原理
6．2．2线性回归模型实现之最小二乘法
6．2．3线性回归模型实现之梯度下降法
6．2．4线性回归模型在油耗预测中的应用
6．3逻辑回归
6．3．1逻辑回归的基本原理
6．3．2逻辑回归与线性回归的区别
6．3．3逻辑回归模型实现
6．4戴明回归
6．4．1戴明回归的基本原理
6．4．2戴明回归的模型实现
6．5回归模型的评估
6．5．1平均误差
6．5．2平均绝对误差
6．5．3解释回归模型的方差
6．5．4R2确定系数
新手问答
牛刀小试
本章小结
第7章分类
本章导读
知识要点
7．1分类算法的基础知识
7．1．1分类的基本思想
7．1．2贷款违约风险评估数据准备
7．2决策树分类器
7．2．1决策树模型原理
7．2．2信息增益
7．2．3ID3决策树原理
7．2．4ID3决策树模型的实现
7．2．5决策树模型的可视化
7．2．6CART决策树原理
7．2．7CART决策树模型的实现
7．3朴素贝叶斯分类器
7．3．1预测贷款违约数据准备
7．3．2条件概率与贝叶斯公式
7．3．3极大似然估计
7．3．4高斯贝叶斯模型的实现
7．3．5多项式贝叶斯模型的实现
7．3．6伯努利贝叶斯模型的实现
7．4分类模型的评估
7．4．1混淆矩阵
7．4．2准确度与敏感度
7．4．3分类报告
新手问答
牛刀小试
本章小结
第8章聚类
本章导读
知识要点
8．1聚类分析的基础知识
8．1．1聚类分析的基本思想
8．1．2聚类分析的距离计算
8．1．3基站商圈数据准备
8．2K-means算法
8．2．1K-means算法原理
8．2．2K-means算法的应用
8．3层次聚类
8．3．1层次聚类的原理
8．3．2层次聚类算法的应用
8．4密度聚类
8．4．1密度聚类原理
8．4．2密度聚类算法的应用
8．5聚类分析模型评估
8．5．1外部度量
8．5．2内部评估
新手问答
牛刀小试
本章小结
第9章支持向量机
本章导读
知识要点
9．1支持向量机的基础知识
9．1．1支持向量机概述
9．1．2鸢尾花数据准备
9．2支持向量机的分类
9．2．1支持向量机分类基础
9．2．2SVM分类算法库
9．2．3线性可分问题下的支持向量机分类原理
9．2．4广义线性的支持向量机分类原理
9．2．5非线性的支持向量机分类原理
9．3支持向量机回归机
9．3．1支持向量机回归机概述
9．3．2SVM回归算法库
9．3．3支持向量机回归机的应用
9．4支持向量机模型评估
9．4．1R2系数
9．4．2建立模型准确度评测
9．4．3混淆矩阵
9．4．4建立模型分类报告
新手问答
牛刀小试
本章小结
第10章机器的大脑“神经网络”
本章导读
知识要点
10．1神经网络的相关知识
10．1．1神经网络的历史
10．1．2神经元模型
10．1．3激活函数
10．2神经网络
10．2．1神经网络的基本概念
10．2．2单层神经网络的原理
10．2．3隐藏层
10．2．4多层感知网络的原理
10．3BP神经网络
10．3．1BP神经网络的基本原理
10．3．2算法演绎推导
10．3．3BP神经网络的实现
新手问答
牛刀小试
本章小结
第11章卷积神经网络
本章导读
知识要点
11．1卷积神经网络的基本概念
11．1．1卷积神经网络基本原理
11．1．2卷积运算原理
11．1．3激活层
11．1．4池化
11．2卷积神经网络的实现
11．2．1需求背景介绍
11．2．2数据准备
11．2．3模型建立
11．2．4模型的训练和评估
11．2．5模型优化
新手问答
牛刀小试
本章小结
第三篇实战
第12章让机器预测房价
本章导读
知识要点
12．1目标与计划
12．1．1房价数据的特征和维度
12．1．2制订机器学习计划
12．2获取数据
12．2．1获取原始数据
12．2．2数据探索
12．2．3数据清洗
12．2．4训练/测试集划分
12．2．5数据变换
12．3建立线性回归模型
12．4模型评估
12．4．1训练集评估
12．4．2测试集评估
12．5项目结论
本章小结
第13章人脸识别系统的设计与实现
本章导读
知识要点
13．1目标与计划
13．1．1目标图像集的大小和类别
13．1．2机器学习模型的选择
13．1．3制订机器学习计划
13．2获取数据集
13．2．1下载数据集
13．2．2数据的清洗和准备
13．2．3划分训练集与测试集
13．3建立图像识别模型
13．3．1确定损失函数
13．3．2卷积层的设置
13．3．3激活函数的选择
13．3．4池化的类型
13．3．5模型的训练
13．4模型评估
13．4．1中间结果的可视化
13．4．2收敛的判定
13．4．3交叉验证
本章小结
附录TensorFlow常用函数
参考文献