本书以案例驱动的方式讲解机器学习算法的知识点,并以Python语言作为基础开发语言实现算法,包括目前机器学习主流算法的原理、算法流程图、算法的详细设计步骤、算法实例、算法应用、算法的改进与优化等环节。 全书共分 17 章,前两章介绍机器学习与 Python 语言的相关基础知识,后面各章以案例的方式分别介绍线性回归算法、逻辑回归算法、K *近邻算法、PCA 降维算法、k-means算法、支持向量机算法、AdaBoost算法、决策树算法、高斯混合模型算法、随机森林算法、朴素贝叶斯算法、隐马尔可夫模型算法、BP 神经网络算法、卷积神经网络算法、递归神经网络算法。 本书适合作为高等院校人工智能、大数据、计算机科学、软件工程等相关专业本科生和研究生有关课程的教材,也适用于各种计算机编程、人工智能学习认证体系,还可供广大人工智能领域技术人员参考。

前言 第1章 机器学习基础 1 1.1 引论 1 1.2 何谓机器学习 2 1.2.1 概述 2 1.2.2 引例 2 1.3 机器学习中的常用算法 4 1.3.1 按照学习方式划分 4 1.3.2 按照算法相似性划分 7 1.4 本章小结 14 1.5 本章习题 14 第2章 Python与数据科学 15 2.1 Python概述 15 2.2 Python与数据科学的关系 16 2.3 Python中常用的第三方库 16 2.3.1 NumPy 16 2.3.2 SciPy 17 2.3.3 Pandas 17 2.3.4 Matplotlib 18 2.3.5 Scikit-learn 18 2.4 编译环境 18 2.4.1 Anaconda 19 2.4.2 Jupyter Notebook 21 2.5 本章小结 23 2.6 本章习题 24 第3章 线性回归算法 25 3.1 算法概述 25 3.2 算法流程 25 3.3 算法步骤 26 3.4 算法实例 30 3.5 算法应用 32 3.6 算法的改进与优化 34 3.7 本章小结 34 3.8 本章习题 34 第4章 逻辑回归算法 37 4.1 算法概述 37 4.2 算法流程 38 4.3 算法步骤 38 4.4 算法实例 40 4.5 算法应用 45 4.6 算法的改进与优化 49 4.7 本章小结 49 4.8 本章习题 49 第5章 K*近邻算法 51 5.1 算法概述 51 5.2 算法流程 52 5.3 算法步骤 52 5.4 算法实例 53 5.5 算法应用 54 5.6 算法的改进与优化 57 5.7 本章小结 58 5.8 本章习题 58 第6章 PCA降维算法 59 6.1 算法概述 59 6.2 算法流程 60 6.3 算法步骤 60 6.3.1 内积与投影 60 6.3.2 方差 62 6.3.3 协方差 62 6.3.4 协方差矩阵 63 6.3.5 协方差矩阵对角化 63 6.4 算法实例 65 6.5 算法应用 67 6.6 算法的改进与优化 68 6.7 本章小结 68 6.8 本章习题 69 第7章 k-means算法 70 7.1 算法概述 70 7.2 算法流程 70 7.3 算法步骤 71 7.3.1 距离度量 71 7.3.2 算法核心思想 72 7.3.3 初始聚类**的选择 73 7.3.4 簇类个数k的调整 73 7.3.5 算法特点 74 7.4 算法实例 75 7.5 算法应用 77 7.6 算法的改进与优化 81 7.7 本章小结 81 7.8 本章习题 82 第8章 支持向量机算法 84 8.1 算法概述 84 8.2 算法流程 85 8.2.1 线性可分支持向量机 85 8.2.2 非线性支持向量机 85 8.3 算法步骤 85 8.3.1 线性分类 85 8.3.2 函数间隔与几何间隔 87 8.3.3 对偶方法求解 88 8.3.4 非线性支持向量机与核函数 90 8.4 算法实例 93 8.5 算法应用 95 8.6 算法的改进与优化 100 8.7 本章小结 101 8.8 本章习题 101 第9章 AdaBoost算法 102 9.1 算法概述 102 9.2 算法流程 102 9.3 算法步骤 103 9.4 算法实例 105 9.5 算法应用 106 9.6 算法的改进与优化 109 9.7 本章小结 110 9.8 本章习题 110 第10章 决策树算法 112 10.1 算法概述 112 10.2 算法流程 113 10.3 算法步骤 113 10.3.1 两个重要概念 113 10.3.2 实现步骤 115 10.4 算法实例 115 10.5 算法应用 118 10.6 算法的改进与优化 119 10.7 本章小结 120 10.8 本章习题 120 第11章 高斯混合模型算法 121 11.1 算法概述 121 11.2 算法流程 121 11.3 算法步骤 122 11.3.1 构建高斯混合模型 122 11.3.2 EM算法估计模型参数 123 11.4 算法实例 125 11.5 算法应用 127 11.6 算法的改进与优化 129 11.7 本章小结 130 11.8 本章习题 130 第12章 随机森林算法 132 12.1 算法概述 132 12.2 算法流程 133 12.3 算法步骤 134 12.3.1 构建数据集 134 12.3.2 基于数据集构建分类器 134 12.3.3 投票组合得到*终结果并分析 135 12.4 算法实例 136 12.5 算法应用 140 12.6 算法的改进与优化 142 12.7 本章小结 143 12.8 本章习题 143 第13章 朴素贝叶斯算法 145 13.1 算法概述 145 13.2 算法流程 145 13.3 算法步骤 146 13.4 算法实例 148 13.5 算法应用 149 13.6 算法的改进与优化 151 13.7 本章小结 152 13.8 本章习题 152 第14章 隐马尔可夫模型算法 154 14.1 算法概述 154 14.2 算法流程 154 14.3 算法步骤 155 14.4 算法实例 156 14.5 算法应用 159 14.6 算法的改进与优化 165 14.7 本章小结 166 14.8 本章习题 166 第15章 BP神经网络算法 167 15.1 算法概述 167 15.2 算法流程 167 15.3 算法步骤 168 15.4 算法实例 170 15.5 算法应用 174 15.6 算法的改进与优化 176 15.7 本章小结 177 15.8 本章习题 177 第16章 卷积神经网络算法 179 16.1 算法概述 179 16.2 算法流程 179 16.3 算法步骤 180 16.3.1 向前传播阶段 181 16.3.2 向后传播阶段 183 16.4 算法实例 184 16.5 算法应用 188 16.6 算法的改进与优化 193 16.7 本章小结 194 16.8 本章习题 194 第17章 递归神经网络算法 196 17.1 算法概述 196 17.2 算法流程 197 17.3 算法步骤 198 17.4 算法实例 200 17.5 算法应用 204 17.6 算法的改进与优化 207 17.7 本章小结 208 17.8 本章习题 208 课后习题答案 210 参考文献 231