第1章 機(jī)器學(xué)習(xí)概述
1.1  機(jī)器學(xué)習(xí)的發(fā)展：人工智能中的機(jī)器學(xué)習(xí)
1.2  機(jī)器學(xué)習(xí)中的數(shù)據(jù)
1.3  機(jī)器學(xué)習(xí)的任務(wù)
第2章 Python機(jī)器學(xué)習(xí)基礎(chǔ)
2.1  Python：機(jī)器學(xué)習(xí)的首選工具
2.2  Python的集成開(kāi)發(fā)環(huán)境：Anaconda
2.3  Python第三方程序包的引用
2.4  NumPy使用示例
2.5  Pandas使用示例
2.6  NumPy和Pandas的綜合應(yīng)用：空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)的預(yù)處理
   和基本分析
2.7  Matplotlib的綜合應(yīng)用：空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)的圖形化展示
第3章 數(shù)據(jù)預(yù)測(cè)中的相關(guān)問(wèn)題
3.1  線(xiàn)性回歸預(yù)測(cè)模型
3.2  認(rèn)識(shí)線(xiàn)性分類(lèi)預(yù)測(cè)模型
3.3  從線(xiàn)性預(yù)測(cè)模型到非線(xiàn)性預(yù)測(cè)模型
3.4  預(yù)測(cè)模型的參數(shù)估計(jì)
3.5  預(yù)測(cè)模型的選擇
第4章 數(shù)據(jù)預(yù)測(cè)建模：貝葉斯分類(lèi)器
4.1  貝葉斯概率和貝葉斯法則
4.2  樸素貝葉斯分類(lèi)器
4.3  樸素貝葉斯分類(lèi)器在文本分類(lèi)中的應(yīng)用
第5章 數(shù)據(jù)預(yù)測(cè)建模：近鄰分析
5.1  近鄰分析：K- 近鄰法
5.2  回歸預(yù)測(cè)中的K- 近鄰法
5.3  分類(lèi)預(yù)測(cè)中的K- 近鄰法
5.4  基于觀測(cè)相似性的加權(quán)K- 近鄰法
5.5  K- 近鄰法的Python應(yīng)用實(shí)踐
第6章 數(shù)據(jù)預(yù)測(cè)建模：決策樹(shù)
6.1  決策樹(shù)的基本概念
6.2  回歸預(yù)測(cè)中的決策樹(shù)
6.3  分類(lèi)預(yù)測(cè)中的決策樹(shù)
6.4  決策樹(shù)的生長(zhǎng)和剪枝
6.5  經(jīng)典決策樹(shù)算法：分類(lèi)回歸樹(shù)
6.6  決策樹(shù)的Python 應(yīng)用實(shí)踐
第7章 數(shù)據(jù)預(yù)測(cè)建模：集成學(xué)習(xí)
7.1  集成學(xué)習(xí)概述
7.2  基于重抽樣自舉法的集成學(xué)習(xí)
7.3  從弱模型到強(qiáng)模型的構(gòu)建：提升法
7.4  梯度提升樹(shù)
7.5  XGBoost算法
第8章 數(shù)據(jù)預(yù)測(cè)建模：人工神經(jīng)網(wǎng)絡(luò)
8.1  人工神經(jīng)網(wǎng)絡(luò)的基本概念
8.2  感知機(jī)網(wǎng)絡(luò)
8.3  多層感知機(jī)網(wǎng)絡(luò)
8.4  B-P反向傳播算法
8.5  人工神經(jīng)網(wǎng)絡(luò)的Python應(yīng)用實(shí)踐
第9章 數(shù)據(jù)預(yù)測(cè)建模：支持向量機(jī)
9.1  支持向量分類(lèi)概述
9.2  完全線(xiàn)性可分時(shí)的支持向量分類(lèi)
9.3  廣義線(xiàn)性可分時(shí)的支持向量分類(lèi)
9.4  線(xiàn)性不可分時(shí)的支持向量分類(lèi)
9.5  支持向量機(jī)的Python應(yīng)用實(shí)踐：老年人危險(xiǎn)體位預(yù)警
第10章 特征選擇：過(guò)濾、包裹和嵌入策略
10.1  過(guò)濾式策略下的特征選擇
10.2  包裹式策略下的特征選擇
10.3  嵌入式策略下的特征選擇
第11章 特征提�。嚎臻g變換策略
11.1  主成分分析
11.2  矩陣的奇異值分解
11.3  因子分析
第12章 揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu)：聚類(lèi)分析
12.1  聚類(lèi)分析概述
12.2  基于質(zhì)心的聚類(lèi)模型：K-均值聚類(lèi)
12.3  基于聯(lián)通性的聚類(lèi)模型：系統(tǒng)聚類(lèi)
12.4  基于密度的聚類(lèi)：DBSCAN聚類(lèi)
12.5  聚類(lèi)分析的Python應(yīng)用實(shí)踐：環(huán)境污染的區(qū)域特征分析