数据科学 机器学习如何数据掘金

本书面向在人工智能方向零基础的读者，内容定位于专业知识入门和普及层面，全面系统，通俗易懂，让读者真正了解和理解人工智能的相关技术方向，而不仅仅是编程技术。

“人工智能超入门丛书”致力于面向人工智能各技术方向零基础的读者，内容涉及数据思维、数据科学、视觉感知、情感分析、搜索算法、强化学习、知识图谱、专家系统等方向，体系完整、内容简洁、文字通俗，综合介绍人工智能相关知识，并辅以程序代码解决问题，使得零基础的读者快速入门。本书是“人工智能超入门丛书”的一个分册，以机器学习为主线，介绍如何利用机器学习进行数据分析。全书内容共分7章，主要包括机器学习基本概念、数据分析相关基础知识、机器学习解决四类问题（回归问题、分类问题、聚类问题、降维问题）的算法、神经网络相关知识，并在附录中对Python编程基础知识、数据相关数学知识以及Python实验室JupyterLab的使用进行了介绍。本书面向在人工智能方向零基础的读者，内容全面系统，语言通俗易懂，配合典型程序操作练习，简单易上手，能够帮助读者轻松认识和理解人工智能核心技术。本书可以作为大学生以及想要走向人工智能工作岗位的技术人员的入门读物，也可作为青少年人工智能相关技术方向的课程教材，同时也可作为技术普及读物供对人工智能技术感兴趣的读者阅读。

无

第1章机器“学习”001
1.1数据科学、人工智能与机器学习002
1.1.1数据科学与机器学习002
1.1.2人工智能≠机器学习≠深度学习005
1.2机器学习概述011
1.2.1机器学习是什么011
1.2.2机器学习学什么018
1.3数据素养021
1.3.1何为数据素养021
1.3.2数据素养的维度划分023

第2章数据基础025
2.1先利其器026
2.2科学计算029
2.2.1向量与矩阵生成029
2.2.2向量与矩阵运算035
2.3数据分析040
2.3.1Series与DataFrame040
2.3.2文件的导入与处理044
2.4数据可视047
2.4.1基本图形047
2.4.2画图点睛052

第3章回归问题057
3.1什么是回归问题058
3.1.1回归分析概述058
3.1.2最小二乘法060
3.2线性回归061
3.2.1一元线性回归061
3.2.2多元线性回归069
3.3进阶：可视化075

第4章分类问题078
4.1什么是分类问题079
4.2近朱者赤近墨者黑的k近邻079
4.2.1k近邻算法基本原理079
4.2.2k近邻算法实践085
4.3通过熵解决分类的决策树087
4.3.1决策树与信息熵087
4.3.2决策树案例与实践090
4.4进阶：距离098

第5章聚类问题100
5.1什么是聚类101
5.2K均值聚类103
5.2.1K均值聚类原理103
5.2.2K均值聚类实践109
5.3系统聚类113
5.3.1系统聚类原理113
5.3.2系统聚类实践118
5.4进阶：再谈距离120

第6章降维问题122
6.1什么是降维问题123
6.2主成分分析124
6.2.1主成分分析原理124
6.2.2主成分分析实践126
6.3奇异值分解131
6.3.1奇异值分解原理131
6.3.2奇异值分解实践133
6.4进阶：特征值与特征向量136

第7章神经网络141
7.1从神经元到感知机142
7.1.1从生物神经元到人工神经元142
7.1.2从单层感知机到多层感知机146
7.2神经网络的运行原理150
7.2.1结构概述150
7.2.2前向传播151
7.2.3反向传播155
7.3神经网络的参数说明与实践156
7.3.1参数与超参数156
7.3.2解决分类与回归问题158
7.4进阶：反向传播推导163

附录APython基础166
A.1运算符167
A.1.1基本算术运算符与数值型167
A.1.2关系运算符、逻辑运算符与布尔型168
A.2字符串与数据结构170
A.2.1字符串170
A.2.2列表171
A.2.3元组172
A.2.4字典173
A.3控制结构174
A.3.1if语句174
A.3.2while语句175
A.3.3for语句176
A.3.4多重循环177
A.4定义函数178

附录B导数与代数基础179
B.1导数180
B.2向量183
B.3矩阵189

附录C腾讯扣叮Python实验室：JupyterLab使用说明196