第Ⅰ部分PYTHON機器學習
第1章Python 3和Jupyter Notebook入門 3
1.1Python概述 4
1.1.1Python編程語言的歷史 4
1.1.2Python編程語言的哲學 4
1.1.3Python的使用范圍 5
1.2安裝Python 6
1.2.1在Linux 發(fā)行版上安裝 Python 7
1.2.2在macOS 上安裝Python 7
1.3Python模式 7
1.3.1交互模式 7
1.3.2腳本模式 11
1.4Pip3工具 13
1.5科學Python生態(tài)系統(tǒng) 14
1.6Python的實現(xiàn)和發(fā)行版 14
1.7Anaconda發(fā)行版 15
1.8小結(jié) 16
第2章NumPy入門 17
2.1開始使用NumPy 18
2.2Ndarray的索引 20
2.3Ndarray的屬性 22
2.4NumPy常量 23
2.5小結(jié) 24
第3章數(shù)據(jù)可視化入門 25
3.1用于創(chuàng)建Ndarray的NumPy例程 26
3.2Matplotlib數(shù)據(jù)可視化 28
3.3小結(jié) 34
第4章Pandas入門 35
4.1Pandas基礎(chǔ)知識 36
4.2Pandas中的Series 36
4.3Pandas中的數(shù)據(jù)框架 38
4.4在數(shù)據(jù)框架中實現(xiàn)數(shù)據(jù)的可視化 40
4.5小結(jié) 46
第Ⅱ部分機器學習方法
第5章Scikit-learn機器學習概述 49
5.1從數(shù)據(jù)中學習 50
5.1.1監(jiān)督式學習 50
5.1.2無監(jiān)督學習 51
5.2機器學習系統(tǒng)的結(jié)構(gòu) 52
5.2.1問題理解 53
5.2.2數(shù)據(jù)收集 53
5.2.3數(shù)據(jù)標注和數(shù)據(jù)準備 53
5.2.4數(shù)據(jù)整理 53
5.2.5模型的開發(fā)、訓練和評估 54
5.2.6模型的部署 54
5.3Scikit-Learn 55
5.4安裝Scikit-Learn 55
5.5了解API 56
5.6第一個Scikit-learn實驗 57
5.7小結(jié) 60
第6章為機器學習準備數(shù)據(jù) 61
6.1數(shù)據(jù)變量的類型 62
6.1.1名目數(shù)據(jù) 62
6.1.2次序數(shù)據(jù) 62
6.1.3等距數(shù)據(jù) 63
6.1.4等比數(shù)據(jù) 63
6.2轉(zhuǎn)換 63
6.2.1轉(zhuǎn)換名目屬性 64
6.2.2轉(zhuǎn)換有序?qū)傩?66
6.3歸一化 67
6.3.1線性函數(shù)歸一化 68
6.3.2標準縮放 69
6.4預處理文本 70
6.4.1準備NLTK 70
6.4.2NLP流水線的5個步驟 71
6.4.3詞干提取和詞形還原 72
6.4.4移除停用詞 73
6.4.5準備詞向量 73
6.5預處理圖像 75
6.6小結(jié) 77
第7章初探監(jiān)督式學習方法 79
7.1線性回歸 80
7.2邏輯回歸 86
7.2.1表達式概率的線與曲線的比較 87
7.2.1學習參數(shù) 87
7.2.2可視化決策邊界 90
7.3決策樹 91
7.3.1構(gòu)建決策樹 92
7.3.2Python中的決策樹 93
7.4小結(jié) 96
第8章對監(jiān)督式學習進行調(diào)試 97
8.1訓練和測試過程 98
8.2性能的衡量標準 98
8.2.1混淆矩陣 99
8.2.2精確率 100
8.2.3準確率 100
8.2.3F值 100
8.2.4Python中的性能指標 101
8.3交叉驗證 103
8.3.1為什么要進行交叉驗證 104
8.3.2使用Python進行交叉驗證 105
8.4ROC曲線 106
8.5過擬合和正則化 109
8.5.1偏差和方差 112
8.5.2正則化 113
8.6超參數(shù)調(diào)優(yōu) 116
8.7小結(jié) 120
第9章再談監(jiān)督學習方法 121
9.1樸素貝葉斯 122
9.1.1貝葉斯定理 122
9.1.2條件概率 123
9.1.3樸素貝葉斯的運作方式 123
9.1.4多項樸素貝葉斯 124
9.1.5Python中的樸素貝葉斯 124
9.2支持向量機 126
9.2.1SVM的運作方式 127
9.2.2非線性分類 128
9.2.3SVM中的核技巧 129
9.2.4Python中的支持向量機 130
9.3小結(jié) 134
第10章集成學習方法 135
10.1Bagging算法和隨機森林 136
10.2Boosting算法 140
10.3Stacking集成 146
10.4小結(jié) 150
第11章無監(jiān)督學習方法 151
11.1降維 152
11.1.1了解維數(shù)災難 152
11.1.2主成分分析 153
11.1.3Python中的主成分分析 154
11.2聚類 157
11.2.1使用k-均值進行聚類 158
11.2.2Python中的k-均值 158
11.2.3什么是正確的k 161
11.2.4聚類之圖像分割 162
11.2.5使用DBSCAN進行聚類 165
11.3頻繁模式挖掘 168
11.3.1購物籃分析 168
11.3.2Python中的頻繁模式挖掘 169
11.4小結(jié) 172
第Ⅲ部分神經(jīng)網(wǎng)絡(luò)和深度學習
第12章神經(jīng)網(wǎng)絡(luò)和PyTorch基礎(chǔ) 175
12.1安裝PyTorch 177
12.2 PyTorch的基礎(chǔ)知識 177
12.2.1創(chuàng)建張量 177
12.2.2張量操作 179
12.3感知器 181
12.4人工神經(jīng)網(wǎng)絡(luò) 185
12.5小結(jié) 186
第13章前饋神經(jīng)網(wǎng)絡(luò) 187
13.1前饋神經(jīng)網(wǎng)絡(luò) 188
13.1.1訓練神經(jīng)網(wǎng)絡(luò) 189
13.1.2損失函數(shù) 193
13.2使用人工神經(jīng)網(wǎng)絡(luò)進行回歸 195
13.3激活函數(shù) 198
13.3.1ReLU 激活函數(shù) 198
13.3.2Sigmoid 激活函數(shù) 199
13.3.3tanh激活函數(shù) 200
13.4多層人工神經(jīng)網(wǎng)絡(luò) 200
13.4.1PyTorch中的神經(jīng)網(wǎng)絡(luò)（NN）類 206
13.4.2過擬合和Dropout 208
13.5分類手寫數(shù)字 209
13.6小結(jié) 214
第14章卷積神經(jīng)網(wǎng)絡(luò) 215
14.1卷積運算 216
14.2CNN的結(jié)構(gòu) 219
14.3在PyTorch中使用卷積神經(jīng)網(wǎng)絡(luò) 221
14.4使用CNN進行圖像分類 223
14.5卷積神經(jīng)網(wǎng)絡(luò)的深度網(wǎng)絡(luò) 233
14.5小結(jié) 234
第15章循環(huán)神經(jīng)網(wǎng)絡(luò) 235
15.1循環(huán)單元 236
15.2RNN的類型 238
15.2.1一對一 238
15.2.2一對多 238
15.2.3多對一 238
15.2.4多對多 239
15.3Python中的RNN 239
15.4長短期記憶 240
15.4.1LSTM單元 241
15.4.2時間序列預測 242
15.5門控循環(huán)單元 252
15.6小結(jié) 252
第16章項目實戰(zhàn) 253
16.1數(shù)據(jù)科學生命周期 254
16.2如何提供ML應用 257
16.3通過實踐學習 258
16.3.1定義問題 258
16.3.2數(shù)據(jù) 259
16.3.3準備模型 263
16.3.4序列化模型，以便未來用于預測 268
16.3.5托管模型 270
16.4未來可期 271