Python机器学习 原理、算法及案例实战 微课视频版

本书配套资源丰富，包括教学大纲、教学课件、电子教案、习题答案、程序源码、教学进度表、混合式教学设计，作者还为本书精心录制了微课视频。

本书系统介绍了经典的机器学习算法，并通过实践案例对算法进行解析。本书内容包含三部分:第一部分（第1章和第2章）为入门篇，着重介绍Python开发基础及数据分析与处理；第二部分（第3章和第4章）为基础篇，着重介绍机器学习的理论框架和常用机器学习模型；第三部分（第5～11章）为实战篇，介绍经典机器学习算法及应用，包括KNN分类算法、KMeans聚类算法、推荐算法、回归算法、支持向量机算法、神经网络算法以及深度学习理论及项目实例。本书力求叙述简练，概念清晰，通俗易懂。书中的案例选取了接近实际应用的典型问题，以应用能力、创新能力的培养为核心目标。本书可作为高等院校计算机、软件工程、大数据、通信、电子等相关专业的教材，也可作为成人教育及自学考试用书，还可作为机器学习相关领域开发人员、工程技术人员和研究人员的参考用书。

"主要作者为长期从事计算机一线教学的教师，博士学历，研究方向均为人工智能与模式识别,具有丰富的计算机教学经验和扎实的科研经验。主持国家 863子课题、上海市教委子课题等多个科研项目。包括多目标旅行商问题的求解 、稀疏半监督学习方法研究 、面向蛋白质结构预测的支持向量机的研究等、多Agent 蚁群算法在仿真优化中应用研究等。 主持国家、省部级教学改革项目6项，作为核心成员参加上海市精品课程、校级重大教研课题。主编参编教材十余本。多次获得华东师范大学优秀任课教师奖、华东师范大学教学成果奖等奖励。"

第一部分入门篇
第1章机器学习概述3
1.1人工智能简介4
1.1.1什么是人工智能4
1.1.2人工智能目前的三次浪潮4
1.1.3人工智能的研究领域8
1.2机器学习的主要工作17
1.3机器学习开发环境19
习题25
第2章Python数据处理基础27
2.1Python程序开发技术27
2.2基本数据类型29
2.3数据文件读写37
2.3.1打开与关闭文件37
2.3.2读取文件内容38
2.3.3将数据写入文件39
2.3.4Pandas存取文件40
2.3.5NumPy存取文件42
习题43
第二部分基础篇
第3章Python常用机器学习库47
3.1NumPy47
3.1.1ndarray对象48
3.1.2NumPy数据类型49
3.1.3NumPy数组属性53
3.1.4其他创建数组的方式55
3.1.5切片、迭代和索引59
3.1.6NumPy计算62
3.2Pandas64
3.2.1Series数据结构64
3.2.2DataFrame对象67
3.2.3数据对齐75
3.3Matplotlib78
3.4OpenCV91
3.5Scikitlearn96
3.5.1SKlearn简介96
3.5.2SKlearn的一般步骤97
3.6其他常用模块99
3.6.1WordCloud制作词云99
3.6.2Jieba中文分词101
3.6.3PIL105
习题112
第4章机器学习基础114
4.1机器学习模型115
4.1.1线性模型与非线性模型115
4.1.2浅层模型与深度模型115
4.1.3单一模型与集成模型116
4.1.4监督学习、非监督学习和强化学习116
4.2机器学习算法的选择120
4.2.1模型的确定121
4.2.2性能评估127
4.3Python机器学习利器SKlearn129
4.3.1SKlearn数据预处理129
4.3.2SKlearn模型选择与算法评价132
习题134
第三部分实战篇
第5章KNN分类算法139
5.1KNN分类139
5.2初识KNN——鸢尾花分类142
5.3KNN手写数字识别147
实验150
第6章K-Means聚类算法153
6.1K-Means聚类算法概述153
6.1.1聚类154
6.1.2K-Means聚类154
6.1.3聚类算法的性能评估155
6.2使用K-Means实现数据聚类156
6.2.1使用SKlearn实现K-Means聚类156
6.2.2Python实现K-Means聚类159
6.3K-Means算法存在的问题161
6.3.1K-Means算法的不足161
6.3.2科学确定k值163
6.3.3使用后处理提高聚类效果164
实验164
第7章推荐算法172
7.1推荐系统172
7.1.1推荐算法概述173
7.1.2推荐系统的评价指标175
7.1.3推荐系统面临的挑战177
7.1.4常见的推荐算法178
7.2协同过滤推荐算法178
7.2.1基于用户的协同过滤算法178
7.2.2基于内容的推荐算法183
7.2.3基于图结构的推荐算法185
7.2.4其他推荐算法185
7.3基于内容的推荐算法案例186
7.4协同过滤算法实现电影推荐188
实验195
第8章回归算法196
8.1线性回归197
8.1.1一元线性回归197
8.1.2多元线性回归200
8.2逻辑回归201
8.2.1线性回归存在的问题202
8.2.2逻辑函数Sigmoid203
8.2.3逻辑回归的概念204
8.2.4线性回归与逻辑回归的区别205
8.2.5逻辑回归参数的确定205
8.3回归分析综合案例208
8.3.1信用卡逾期情况预测案例208
8.3.2使用逻辑回归实现鸢尾花分类预测案例211
实验213
第9章支持向量机216
9.1支持向量机的概念216
9.1.1线性判别分析217
9.1.2间隔与支持向量218
9.1.3超平面219
9.1.4感知器220
9.2支持向量机的参数226
9.2.1优化求解226
9.2.2核函数226
9.2.3SVM应用案例226
实验231
第10章神经网络237
10.1神经网络的基本原理237
10.1.1人工神经网络237
10.1.2神经网络结构239
10.2多层神经网络240
10.2.1多隐藏层240
10.2.2激活函数242
10.3BP神经网络244
实验251
第11章深度学习256
11.1深度学习概述257
11.1.1深度学习的产生257
11.1.2深度学习的发展259
11.2卷积神经网络260
11.2.1卷积神经网络的神经科学基础260
11.2.2卷积操作260
11.2.3池化操作263
11.2.4卷积神经网络的激活函数265
11.2.5卷积神经网络模型265
11.3循环神经网络270
11.4常见的深度学习开源框架和平台271
11.5TensorFlow学习框架272
11.6Keras深度学习框架280
11.6.1Keras基础280
11.6.2Keras综合实例280
习题286