機器學習是一門多領(lǐng)域交叉學科，涉及概率論、統(tǒng)計學、矩陣論、神經(jīng)網(wǎng)絡、計算機等多門學科。其目標是模擬人類的學習活動，從數(shù)據(jù)中獲取知識和技能，重新組織已有的知識結(jié)構(gòu)，從而不斷改善系統(tǒng)性能。本書共9項目。項目1介紹機器學習基礎，概要介紹機器學習的發(fā)展簡史和一般步驟，以及本書涉及的方法和算法；項目2項目7討論k近鄰算法、線性回歸、決策樹、貝葉斯分類、支持向量機、集成學習等監(jiān)督學習方法；項目8介紹聚類的基本知識，闡述無監(jiān)督學習方法；項目9討論深度神經(jīng)網(wǎng)絡，主要論述卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡兩種模型。本書由大數(shù)據(jù)技術(shù)與應用專業(yè)教師和企業(yè)工程師合力打造，采用大量項目案例講解概念和算法，內(nèi)容編排采用工作手冊式教材形式，項目2項目9相互獨立，學生可選擇知識點和涉及的技術(shù)，滿足不同生源定制化學習的需要。同時，華育興業(yè)科技公司開發(fā)有教材配套的實驗實訓在線平臺，將教材內(nèi)容和動手實踐緊密結(jié)合起來。本書可作為高職高專院校電子信息領(lǐng)域相關(guān)專業(yè)的教材，也可作為相關(guān)科技人員的參考用書，以及應用型本科的實驗補充教材。
艾旭升，男，博士，2003年于鄭州大學獲碩士，2005年在思科（蘇州）研發(fā)中心工作，負責網(wǎng)絡會議開放接口設計和開發(fā)，2016年于蘇州大學獲博士學位，主要研究機器學習和數(shù)據(jù)挖掘，目前在蘇州工業(yè)職業(yè)技術(shù)學院任教，擔任大數(shù)據(jù)技術(shù)與應用專業(yè)帶頭人
項目1?項目環(huán)境的準備
任務1.1?項目相關(guān)基本概念
1.1.1?概述
1.1.2?機器學習發(fā)展簡史
1.1.3?機器學習的一般步驟
1.1.4?機器學習的主要任務
1.1.5?模型評估
1.1.6?如何選擇合適的算法
1.1.7?項目中關(guān)鍵術(shù)語
任務1.2?項目中常用模型
1.2.1?k近鄰
1.2.2?回歸
1.2.3?決策樹
1.2.4?貝葉斯分類
1.2.5?支持向量機
1.2.6?集成學習
1.2.7?聚類
1.2.8?深度神經(jīng)網(wǎng)絡
任務1.3?Python+PyCharm環(huán)境配置
1.3.1?為什么選用Python
1.3.2?PyCharm+Python開發(fā)環(huán)境配置
1.3.3?NumPy安裝與PyCharm引入
任務1.4?常用Python分析工具配置
1.4.1?基本知識
1.4.2?第一機器學習案例電影分類業(yè)務理解
1.4.3?應用Pandas實現(xiàn)電影分類數(shù)據(jù)讀取
1.4.4?應用Matplotlib實現(xiàn)電影分類數(shù)據(jù)可視化
1.4.5?應用Sklearn實現(xiàn)電影分類學習過程
1.5?項目復盤
1.6?實操練習
項目2?k近鄰回歸與分類
任務2.1?k近鄰算法概述
2.1.1?什么是k近鄰算法
2.1.2?應用Python實現(xiàn)k近鄰算法
2.1.3?值的選擇與過擬合問題
任務2.2?k近鄰算法實現(xiàn)葡萄酒分類
2.2.1?葡萄酒數(shù)據(jù)的準備
2.2.2?應用Pandas讀取葡萄酒實驗文本數(shù)據(jù)
2.2.3?數(shù)據(jù)分布可視化分析
2.2.4?數(shù)據(jù)清洗
2.2.5?數(shù)據(jù)標準化
2.2.6?值的選擇
2.2.7?構(gòu)建完整可用的葡萄酒kNN分類器
2.2.8?結(jié)果分析
2.3?項目復盤
2.4?實操練習
項目3?線性回歸預測與邏輯回歸分類
任務3.1?項目準備
3.1.1?線性回歸基本知識
3.1.2?普通最小二乘法
3.1.3?回歸方程評估
3.1.4?欠擬合問題
3.1.5?多重共線性問題
3.1.6?嶺回歸
任務3.2?波士頓房價線性回歸預測
3.2.1?數(shù)據(jù)的準備
3.2.2?應用Pandas讀取數(shù)據(jù)
3.2.3?使用Matplotlib進行數(shù)據(jù)可視化分析
3.2.4?特征降維處理
3.2.5?線性回歸模型降維分析
3.2.6?多項式特征生成
任務3.3?蔦尾花邏輯回歸分類
3.3.1?邏輯回歸基本知識
3.3.2?鳶尾花邏輯回歸分類
3.3.3?性能指標ROC和AUC
3.4?項目復盤
3.5?實操練習
項目4?決策樹分類與回歸
任務4.1?決策樹構(gòu)造
4.1.1?決策樹歸納算法基本策略
4.1.2?樹的劃分規(guī)則
4.1.3?樹的剪枝處理
任務4.2?鳶尾花決策樹分類
4.2.1?決策樹分類Python編程
4.2.2?鳶尾花決策樹分類深度與過擬合
4.2.3?鳶尾花決策樹分類模型與評估
任務4.3?波士頓房價決策樹回歸
4.3.1?決策樹回歸Python編程
4.3.2?波士頓房價決策樹回歸深度與過擬合
4.3.3?波士頓房價決策樹回歸模型預測與評估
4.4?項目復盤
4.5?實操練習
項目5?貝葉斯分類
任務5.1?知識準備
5.1.1?概述
5.1.2?貝葉斯推斷
5.1.3?樸素貝葉斯推斷
任務5.2?鳶尾花GaussianNB分類
5.2.1?高斯樸素貝葉斯
5.2.2?鳶尾花分類Python編程
任務5.3?郵件MultinomialNB分類
5.3.1?多項式樸素貝葉斯
5.3.2?郵件貝葉斯過濾分類
5.3.3?數(shù)據(jù)準備與停用詞表準備
5.3.4?中文切分與字符過濾及停用詞處理
5.3.5?獲取全部訓練集中單詞列表和頻次最高的單詞集
5.3.6?獲取高頻詞數(shù)據(jù)集在郵件中的頻次
5.3.7?應用MultinomialNB創(chuàng)建貝葉斯模型訓練數(shù)據(jù)
5.3.8?應用MultinomialNB實現(xiàn)未知郵件分類預測
5.4?項目復盤
5.5?實操練習
項目6?支持向量機
任務6.1?知識準備
6.1.1?基本原理
6.1.2?線性可分與線性不可分
6.1.3?二分類實現(xiàn)
6.1.4?硬間隔與軟間隔
6.1.5?應用GridSearchCV自動優(yōu)選超參數(shù)
任務6.2?基于SVM手寫數(shù)字識別技術(shù)
6.2.1?數(shù)據(jù)的準備與業(yè)務分析
6.2.2?手寫數(shù)字圖片可視化顯示
6.2.3?應用GridSearchCV尋找高斯核最優(yōu)參數(shù)
6.2.4?數(shù)字識別模型實現(xiàn)
任務6.3?半導體制造過程信息傳遞判定
6.3.1?準備并解析數(shù)據(jù)
6.3.2?應用Python讀取和探查數(shù)據(jù)
6.3.3?組織需要的數(shù)據(jù)
6.3.4?數(shù)據(jù)預處理
6.3.5?建立半導體制造過程智能分類模型
6.3.6?保存訓練模型和分類的結(jié)果
6.3.7?模型性能分析
6.3.8?模型性能可視化分析
6.5?項目復盤
6.6?實操練習
項目7?個體學習與集成學習
任務7.1?知識準備
任務7.2?基于kNN學習器Bagging應用
7.2.1?Bagging基本知識
7.2.2?Python鳶尾花分類編程
任務7.3?隨機森林回歸與分類
7.3.1?隨機森林基本知識
7.3.2?隨機森林波士頓房價回歸預測
7.3.3?隨機森林鳶尾花數(shù)據(jù)兩特征組合分類
任務7.4?Boosting應用
7.4.1?Boosting基本知識
7.4.2?AdaBoost鳶尾花數(shù)據(jù)兩特征組合分類
7.4.3?XGBoost葡萄酒分類
7.5?項目復盤
7.6?實操練習
項目8?聚類
任務8.1?知識準備
8.1.1?聚類基本知識
8.1.2?聚類中的主要問題
8.1.3?常用聚類算法
任務8.2?基于K-Means鳶尾花分類
8.2.1?基本知識
8.2.2?數(shù)據(jù)讀取
8.2.3?構(gòu)建K-Means分類模型
8.2.4?K-Means模型性能評估
8.2.5?K-Means模型結(jié)果可視化
8.3?項目復盤
8.4?實操練習
項目9?深度神經(jīng)網(wǎng)絡
任務9.1?知識準備
9.1.1?深度前饋神經(jīng)網(wǎng)絡
9.1.2?示例：印第安人糖尿病診斷
9.1.3?卷積神經(jīng)網(wǎng)絡
9.1.4?循環(huán)神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡
9.1.5?示例：基于LSTM的國際旅行人數(shù)預測
任務9.2?基于CNN的時間戳圖像識別
9.2.1?準備數(shù)據(jù)：從視頻圖像中分割時間數(shù)字
9.2.2?分析數(shù)據(jù)：初始化CNN的網(wǎng)絡結(jié)構(gòu)
9.2.3?處理數(shù)據(jù)：訓練CNN的網(wǎng)絡參數(shù)
9.2.4?使用算法：時間戳識別算法
9.2.5?結(jié)果分析：測試CNN模型
9.3?項目復盤
9.4?實操練習
新書資訊