近年来人工智能技术蓬勃发展,人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学 和计算机科学知识的情况下,能够快速上手,使用 Python 语言实现常用的机器学习算法,并解决一些实际的问题,我们策划并出版本书。 本书共 14 章,内容涵盖基本的机器学习概念和环境搭建,目前各个领域中的热门算法,以及数据预处理、模型评估和文本数据分析等。希望本书可以让读者轻松入门,在动手实践的过程中找到乐趣。 本书可以作为各大院校人工智能相关专业的教材,也可以作为培训机构的教材,还适合人工智能技术爱好者自学使用。

第 1 章 机器学习概述 21 技能目标. 21 本章任务. 21 任务 1.1:了解机器学习的基本概念 22 1.1.1 什么是机器学习 22 1.1.2 机器学习的起源与发展 23 任务 1.2:了解机器学习的应用场景 25 1.2.1 机器学习技术在日常生活中的应用 25 1.2.2 机器学习技术在不同行业中的应用 28 任务 1.3:了解机器学习的学习路径 30 1.3.1 学习机器学习的先决条件. 30 1.3.2 开启你的“海绵模式” 32 1.3.3 开始动手实践 . 33 任务 1.4:掌握机器学习的先导知识概念 34 本章小结. 36 本章习题 第 2 章 机器学习工具安装与使用 . 38 技能目标. 38 本章任务. 38 任务 2.1:Anaconda 的安装与使用 39 2.1.1 下载安装 Anaconda. 39 2.1.2 Jupyter Notebook 的使用 41 任务 2.2:pandas 和可视化工具的基本使用 45 2.2.1 pandas 的��本使用 45 2.2.2 数据可视化工具的基本使用. 48 任务 2.3:掌握 scikit-learn 的基本操作 51 2.3.1.使用 scikit-learn 加载并检查数据 51 2.3.2.使用 scikit-learn 训练模型并评估 54 2.3.3.保存和载入训练好的模型文件 . 56 本章小结. 57 本章习题 第 3 章 线性模型 59 技能目标. 59 本章任务. 59 任务 3.1:掌握线性模型的基本概念和线性回归的使用 60 3.1.1 线性模型的基本概念 60 3.1.2 线性回归模型的使用 62 任务 3.2: 掌握岭回归的原理及使用 66 3.2.1 岭回归的原理 . 67 3.2.2 岭回归的使用 . 69 任务 3.3:掌握套索回归的原理及使用 73 3.3.1 套索回归的原理 73 3.3.2 套索回归的参数调节 74 任务 3.4: 了解逻辑回归与线性支持向量机. 76 3.4.1 逻辑回归与线性支持向量机简介 . 77 3.4.2 训练逻辑回归模型并预测. 77 3.4.3 训练线性支持向量机模型并预测 . 79 本章小结. 80 本章习题 第 4 章 决策树和随机森林. 81 技能目标. 81 本章任务. 81 任务 4.1: 初步掌握决策树算法 . 82 4.1.1 什么是决策树算法 82 4.1.2 决策树的基本使用方法 83 4.1.3 决策树中的 max_depth 参数 . 85 4.1.4 决策树的模型展现. 91 4.1.5 决策树的优势与不足 92 任务 4.2: 初步掌握随机森林算法 93 4.2.1 什么是随机森林算法 93 4.2.2 随机森林算法中的参数解释 94 4.2.3 随机森林与决策树模型的差异 95 4.2.4 随机森林的优势与不足 . 96 任务 4.3:使用决策树与随机森林实战练习. 97 4.3.1 下载数据集并载入 97 4.3.2 了解数据集的特征 98 4.3.3 使用数据集训练决策树与随机森林 99 本章小结. 102 本章习题 第 5 章 支持向量机 103 技能目标. 103 本章任务. 103 任务 5.1: 理解支持向量机的基本原理 104 5.1.1 “线性不可分”的数据集 104 5.1.2 将数据投射到高维空间 105 5.1.3 “不线性”的支持向量机. 106 任务 5.2:理解支持向量机的核函数和 gamma 参数 . 108 5.2.1 支持向量机的 RBF 内核 108 5.2.2 不同内核的支持向量机对比. 110 5.2.3 gamma 参数对模型的影响. 112 5.2.4 支持向量机中的 C 参数 114 5.2.5 支持向量机的优势与不足. 116 任务 5.3:使用支持向量机算法进行实战练习. 116 5.3.1 数据集准备与初步了解 116 5.3.2 探索性数据分析 119 5.3.3 初步训练支持向量机模型. 121 5.3.4 对数据进行预处理并重新训练模型 123 本章小结. 127 本章习题 第 6 章 朴素贝叶斯 128 技能目标. 128 本章任务. 128 任务 6.1: 了解朴素贝叶斯的基本原理和使用 128 6.1.1 朴素贝叶斯算法的基本原理. 129 6.1.2 朴素贝叶斯用法示例 130 任务 6.2: 了解不同朴素贝叶斯变体的差异 . 131 6.2.1 伯努利朴素贝叶斯的不足. 132 6.2.2 用高斯朴素贝叶斯替代伯努利朴素贝叶斯 133 6.2.3 多项式朴素贝叶斯简介 134 任务 6.3: 掌握朴素贝叶斯的实际应用. 135 6.3.1 获取数据集并检查 135 6.3.2 数据预处理与模型训练 . 136 6.3.3 样本数量对朴素贝叶斯模型的影响 138 本章小结. 140 本章习题 第 7 章 K 近邻算法. 141 技能目标. 141 本章任务. 141 任务 7.1:了解 K 近邻算法. 142 7.1.1 K 近邻算法的简介及原理. 142 任务 7.2:掌握 K 近邻算法在分类任务中的应用. 144 7.2.1 K 近邻算法在二元分类任务中的应用 145 7.2.2 K 近邻算法处理多元分类任务 . 148 任务 7.3:掌握 K 近邻算法在回归分析中的应用. 151 7.3.1 掌握 K 近邻算法在回归分析中的应用. 151 任务 7.4:使用 K 近邻算法实战练习 155 7.4.1 对数据集进行分析 155 7.4.2 生成训练集和验证集 158 7.4.3 使用 K 近邻算法进行建模并调优 160 7.4.4 使用模型对新样本进行预测. 164 本章小结. 166 本章习题 第 8 章 神经网络 167 技能目标. 167 本章任务. 167 任务 8.1:了解神经网络的起源与发展 168 8.1.1 了解神经网络的起源. 169 8.1.2 了解神经网络的发展. 170 任务 8.2:掌握神经网络的原理. 172 8.2.1 了解神经网络的原理 172 任务 8.3:掌握神经网络中的激活函数 175 8.3.1 了解激活函数 175 8.3.2 使用激活函数 176 任务 8.4:掌握神经网络中的参数调节 178 8.4.1 分析数据集并展现. 178 8.4.2 参数调节 182 任务 8.5:使用神经网络解决实际问题 187 8.5.1 分析 fashion-mnist 数据集 187 8.5.2 训练 MLP 神经网络. 190 8.5.3 使用模型进行图片识别 190 本章小结. 192 本章习题 第 9 章 聚类. 194 技能目标. 194 本章任务. 194 任务 9.1:了解聚类算法的原理与用途 195 9.1.1 了解聚类算法的原理. 195 9.1.2 了解聚类算法的用途. 197 17 / 305任务 9.2:掌握 K 均值算法的原理和使用 198 9.2.1 了解 K 均值算法的原理 199 9.2.2 使用 K 均值算法进行简单聚类分析 200 任务 9.3:掌握 DBSCAN 算法的原理和使用. 203 9.3.1 了解 DBSCAN 算法的原理 203 9.3.2 使用 DBSCAN 算法进行简单聚类分析 . 205 任务 9.4:使用聚类算法解决实际问题 211 9.4.1 对数据集进行分析 212 9.4.2 使用 K 均值算法进行聚类分析. 214 本章小结. 221 本章习题 第 10 章 数据降维、特征提取与流形学习 222 技能目标. 222 本章任务. 222 任务 10.1: 使用 PCA 主成分分析进行数据降维. 223 10.1.1 PCA 主成分分析介绍 223 10.1.2 使用 PCA 降维以便进行可视化 226 10.1.3 PCA 主成分与原始特征的关系. 227 任务 10.2: 使用 PCA 中的数据白化功能进行特征提取 229 10.2.1 使用人脸识别数据集进行实验 229 10.2.2 使用 PCA 进行特征提取 232 10.2.3 特征提取对于模型准确率的影响 234 任务 10.3: 使用 t-SNE 对数据降维并进行可视化. 235 10.3.1 t-SNE 简介 235 10.3.2 使用 PCA 降维作为 Baseline 236 10.3.3 使用 t-SNE 降维并进行可视化 239 本章小结. 241 本章习题 第 11 章 模型选择、优化及评估. 242 技能目标. 242 本章任务. 242 任务 11.1:掌握交叉验证方法对模型进行评估. 243 11.1.1 交叉验证法简介. 243 11.1.2 K-折叠交叉验证法 243 11.1.3 随机拆分和留一交叉验证法 246 任务 11.2:掌握网格搜索法寻找模型的参数. 248 11.2.1 了解及使用简单网格搜索 248 11.2.2 与交叉验证结合的网格搜索 250 任务 11.3:掌握模型的不同评价标准 253 11.3.1 分类模型的评价标准 253 11.3.2 使用 R 平方分数评估回归模型. 255 本章小结. 258 本章习题 第 12 章 数据预处理与特征选择. 259 技能目标. 259 本章任务. 259 任务 12.1:掌握常用的数据标准化方法 260 12.1.1 使用 StandardScaler 进行数据预处理 260 12.1.2 使用 MinMaxScaler 进行数据标准化处理 262 12.1.3 使用 Normalizer 进行数据标准化处理. 264 12.1.4 使用 RobustScaler 进行数据标准化处理 265 任务 12.2:掌握常用的数据表达方法 267 12.2.1 虚拟变量. 267 12.2.2 数据分箱. 269 任务 12.3:掌握常用的特征选择方法 274 12.3.1 单变量统计 . 274 12.3.2 基于模型的特征选择 278 12.3.3 迭代特征选择 279 本章小结. 280 本章习题 第 13 章 处理文本数据 282 技能目标. 282 本章任务. 282 任务 13.1:掌握文本数据的特征提取、汉语分词和词包模型 283 13.1.1 基于计数向量器的文本特征提取. 283 13.1.2 对汉语文本进行分词处理 285 13.1.3 使用词包模型将文本转换为数组. 286 任务 13.2:文本数据的进一步优化处理 287 13.2.1 默认参数下词包模型的问题. 287 13.2.2 调整 n_Gram 参数重新建立模型 . 288 任务 13.3:使用真实数据进行实战练习 290 13.3.1 载入数据集并查看特征 290 13.3.2 文本数据预处理. 291 13.3.3 使用“朴素贝叶斯”算法训练模型. 294 13.3.4 使用模型判断消费者评论 295 本章小结. 296 本章习题 第 14 章 未来职业发展前景与方向 . 298 技能目标. 298 本章任务. 298 任务:了解数据科学家的职业发展 298 14.1.1 数据科学家的养成 298 14.1.2 在实践中提高技能 301 14.1.3 未来的学习方向 303 本章小结. 305 本章习题