机器学习——基于腾讯云机器学习应用工程师认证(TCP)

"l 突出机器学习系统内容，精选机器学习常用算法。 l 覆盖腾讯云机器学习专项认证知识点。 l 实例均使用腾讯的TI-ONE机器学习平台，提供典型Python算法与案例。 l 帮助读者快速入门，提供案例代码等丰富的配套资源。 全书深入浅出，兼具广度与深度，帮助读者掌握机器学习、深度学习的原理与应用。 "

机器学习是人工智能的重要技术基础。本书涵盖了机器学习的基础知识，精选了机器学习常用算法，紧密结合腾讯云培训认证中心的机器学习应用工程师认证体系，主要包括人工智能与机器学习概念、数学基础、编程基础、数据结构与算法、分类算法、回归算法、无监督学习算法、数据获取、特征处理、模型选取与调优、模型评估等，并给出了基于腾讯TI-ONE平台的操作实例。全书深入浅出、案例丰富，兼具广度与深度，便于学生巩固学习，适合作为高等院校本科生或研究生机器学习、数据分析、数据挖掘等课程的教材，也可供对机器学习感兴趣并希望从事机器学习等领域相关工作的个人开发者阅读参考。

李然，1967年生，大连海洋大学 副教授，研究方向：数据库应用。校级精品资源共享课负责人；中国大学MOOC(慕课)平台SPOC课程“数据库原理”负责人。主编教材2部，参编1部，撰写总字数62.3万字。

第1章 人工智能与机器学习的概念
1.1 人工智能的定义
1.2 人工智能的历史
1.3 人工智能的技术发展
1.3.1 专家系统
1.3.2 机器学习
1.3.3 机器视觉
1.3.4 机器人技术
1.3.5 自然语言处理
1.3.6 自动化
1.3.7 大数据
1.3.8 语音识别技术
1.4 人工智能的应用领域
1.5 机器学习概述
1.5.1 什么是机器学习
1.5.2 机器学习的发展历程
1.5.3 机器学习的系统结构
1.5.4 机器学习的分类
1.5.5 机器学习的常见算法
1.5.6 机器学习应用场景
参考文献
第2章 数学基础
2.1 高等数学
2.1.1 函数与极限
2.1.2 导数与微分
2.1.3 微分中值定理与导数的应用
2.1.4 空间解析几何和向量代数
2.1.5 多元函数微分法及其应用
2.2 线性代数
2.2.1 矩阵及其运算
2.2.2 矩阵的初等变换与矩阵的秩
2.2.3 向量组的线性相关性
2.2.4 相似矩阵及二次型
2.2.5 矩阵导数的运算
2.3 概率论与数理统计
2.3.1 随机事件及其概率
2.3.2 随机变量及其分布
2.3.3 多维随机变量及其分布
2.3.4 随机变量的数字特征
2.3.5 样本及抽样分布
2.3.6 参数估计
2.3.7 假设检验
2.4 本章小结
参考文献
第3章 编程基础
3.1 Python语法
3.1.1 Python基本概述
3.1.2 Python内置对象
3.1.3 Python运算符和表达式
3.1.4 程序控制结构
3.1.5 函数
3.1.6 面向对象编程
3.1.7 封装、继承和多态
3.1.8 运算符重载
3.1.9 字符串简介
3.1.10 转义字符
3.1.11 字符串格式化
3.1.12 字符串常用作
3.1.13 正则表达式
3.1.14 文件基本作
3.1.15 目录作（文件夹作）
3.1.16 异常处理结构
3.1.17 NumPy
3.1.18 pandas
3.1.19 matplotlib
3.1.20 Scikit-learn
3.1.21 小结
3.2 TensorFlow/PyTorch语法
3.2.1 TensorFlow
3.2.2 PyTorch
3.2.3 小结
第4章 数据结构与算法
4.1 树
4.1.1 基本概念
4.1.2 二树的存储结构
4.1.3 二树的遍历
4.1.4 树的存储结构
4.1.5 树的遍历
4.2 哈希表
4.2.1 基本概念
4.2.2 构造哈希函数的方法
4.2.3 处理冲突的方法
4.2.4 哈希表优点
4.3 排序
4.3.1 基本概念
4.3.2 简单选择排序
4.3.3 简单插入排序
4.3.4 冒泡排序
4.3.5 快速排序
4.3.6 归并排序
4.4 搜索
4.4.1 基本概念
4.4.2 顺序搜索
4.4.3 折半搜索
4.4.4 二搜索树
4.5 字符串
4.5.1 基本概念
4.5.2 字符串的存储结构
4.5.3 正则表达式
4.6 动态规划
4.6.1 优化问题
4.6.2 动态规划的应用场景
4.6.3 动态规划算法思路
4.6.4 应用实例
4.7 小结
第5章 机器学习算法
5.1 机器学习的基本概念
5.1.1 算法分类
5.1.2 模型评价指标
5.1.3 模型选择及求解问题
5.2 分类
5.2.1 k近邻算法
5.2.2 决策树算法
5.2.3 贝叶斯分类器
5.2.4 logistic回归算法
5.2.5 支持向量机算法
5.2.6 随机森林算法
5.3 回归
5.3.1 线性回归算法
5.3.2 决策树回归算法
5.4 无监督算法
5.4.1 聚类算法
5.4.2 维归约技术
5.5 关联分析
5.5.1 Apriori算法
5.5.2 频繁模式树算法
5.6 其他机器学习方法
5.6.1 隐马尔可夫模型
5.6.2 Boosting算法
5.6.3 条件随机场
5.7 深度学习相关算法
5.7.1 神经网络相关概念
5.7.2 深度神经网络
5.8 本章小结
参考文献
第6章 构建项目流程
6.1 问题的定义
6.2 数据收集
6.3 数据预处理
6.4 特征抽取
6.5 模型构建及训练
6.5.1 模型构建
6.5.2 模型训练
6.6 模型评估和优化
6.6.1 模型评估
6.6.2 模型优化
6.6.3 选择正确的衡量标准
6.7 模型部署和监控
6.7.1 模型部署
6.7.2 模型监控
6.7.3 应用到业务中
6.8 本章小结
第7章 TI-ONE机器学习
7.1 TI-ONE平台介绍
7.2 TI-ONE平台作说明
7.2.1 注册与开通服务
7.2.2 可视化建模界面
7.2.3 新建工程与任务流
7.2.4 基础作说明
7.3 使用可视化建模构建模型
第8章 TI-ONE平台应用实例
8.1 中式菜系热度预测模型
8.2 猫狗图像分类