內容大鋼
本書是機器學習的入門書，深入淺出地講解機器學習的基礎理論與應用，不僅注重給理論添加淺顯易懂的解釋和詳述，而且探討何種創新思維或科學思維可以產生或引導出某個理論，讓學習者在學習理論過程中自然地培養創新思維與科學思維。本書知識點包括回歸分析、k-近鄰演算法、決策樹、貝葉斯分類器、支持向量機、模型性能評估、集成學習、降維方法、聚類、EM演算法與高斯混合模型、神經網路與深度學習等。本書每章都設計手工計算的應用例題，以演示理論解題和計算過程，幫助學習者理解和掌握理論。每章配有編程實踐的實例，不僅示範解題的Python代碼，還示範解題思路、步驟和結果分析，培養學習者解決實際問題的能力。每章自然地融入科技強國、弘揚中華智慧與文化等內容。此外，每章的習題可鞏固知識，對應的在線課程（中國大學MOOC，課程名：機器學習）可引領學習。
本書的配套教學資源有教學大綱、教學課件、源代碼和案例素材等，讀者可登錄華信教育資源網免費下載；編程實例所用數據集在書中標注了下載途徑。
本書可作為人工智慧、電腦相關專業的教材，或供機器學習理論與應用的學習者使用參考。
目錄
第1章 緒論
1.1 機器學習簡介
1.2 機器學習方法的分類
1.3 機器學習框架
1.4 Python的機器學習開發環境
1.5 習題
第2章 回歸分析
2.1 一元線性回歸
2.2 多元線性回歸
2.3 多項式回歸
2.4 回歸分析的效果評價
2.5 邏輯回歸
2.6 實例與編程求解
2.7 習題
第3章 k-近鄰演算法
3.1 k-近鄰分類演算法
3.2 k值的選取
3.3 距離度量
3.4 k-近鄰回歸演算法
3.5 k-近鄰演算法的性能和特點
3.6 實例與編程求解
3.7 習題
第4章 決策樹
4.1 決策樹的原理
4.2 決策樹的構造演算法
4.3 信息熵
4.4 ID3演算法
4.5 C4.5演算法
4.6 CART演算法
4.7 決策樹的剪枝
4.8 決策樹的特點
4.9 實例與編程求解
4.10 習題
第5章 貝葉斯分類器
5.1 概率相關知識
5.2 貝葉斯分類原理
5.3 樸素貝葉斯分類器
5.4 實例與編程求解
5.5 習題
第6章 支持向量機
6.1 二分類問題
6.2 支持向量機分類原理
6.3 支持向量機中的核方法
6.4 支持向量機的特點
6.5 多分類問題
6.6 支持向量回歸
6.7 實例與編程求解
6.8 習題
第7章 模型性能評估
7.1 模型性能評估的原理與方法
7.2 錯誤率與準確率
7.3 混淆矩陣
7.4 精確率、召回率與F1指標
7.5 P-R曲線與ROC曲線
7.6 實例與編程求解
7.7 習題
第8章 集成學習
8.1 集成學習的原理
8.2 Bagging和隨機森林
8.3 Boosting和Adaboost
8.4 提升樹
8.5 實例與編程求解
8.6 習題
第9章 降維演算法
9.1 降維的概念
9.2 主成分分析
9.3 奇異值分解
9.4 主成分分析的特點
9.5 實例與編程求解
9.6 習題
第10章 聚類
10.1 聚類的概念
10.2 基於劃分的聚類方法
10.3 基於層次的聚類方法
10.4 基於密度的聚類方法
10.5 聚類評估
10.6 確定數據集中簇的數目
10.7 幾種聚類方法的特點
10.8 實例與編程求解
10.9 習題
第11章 期望-最大化（EM）演算法與高斯混合模型
11.1 極大似然估計法
11.2 EM演算法
11.3 高斯混合模型
11.4 EM演算法和高斯混合模型的特點
11.5 實例與編程求解
11.6 習題
第12章 神經網路
12.1 神經元與感知機
12.2 BP神經網路
12.3 神經網路模型的特點
12.4 實例與編程求解
12.5 習題
[