本书在不涉及大量数学模型与复杂算法实现的前提下,从机器学习概述开始,由“泰坦尼克号数据分析与预处理”“良/恶性乳腺癌**预测”“波士顿房价预测”“手写体数字聚类”“人脸特征降维”“在线旅行社酒店价格异常检测”6个案例分别引入数据分析、分类、回归、聚类、特征降维和异常检测的应用开发实战技术及其少量理论,能够帮助读者以快的速度掌握使用Scikit-learn库进行机器学习开发的实战技能。书末是学习机器学习时可能用到的附录。本书适合对机器学习感兴趣的初学者、需要快速入门机器学习的高职相关专业学生,以及期望快速进入机器学习任务的研发工程技术人员。

绪论 1 0.1 机器学习综述 1 0.1.1 机器学习的含义 1 0.1.2 机器学习的应用场景 1 0.1.3 机器学习类型 3 0.1.4 相关术语 5 0.1.5 人工智能、机器学习与深度学习 6 0.2 开发环境搭建 8 0.2.1 Windows系统环境 8 0.2.2 Ubuntu系统环境 17 0.3 Python编程基础 17 0.3.1 Python简介 17 0.3.2 Python基本语法 18 0.3.3 Python数据类型 19 0.3.4 Python常用语句 28 0.3.5 Python函数(模块)设计 33 0.3.6 Python编程库(包)的导入 38 案例1 泰坦尼克号数据分析与预处理 39 1.1 案例描述及实现 39 1.2 案例详解及示例 43 1.3 支撑技术 45 1.3.1 Numpy 45 1.3.2 Matplotlib 52 1.3.3 Pandas 61 1.3.4 Scikit-learn 64 案例2 良/恶性乳腺癌**预测 66 2.1 案例描述及实现 66 2.2 案例详解及示例 69 2.2.1 数据预处理 69 2.2.2 linear_model 71 2.2.3 KNeighborsClassifier 74 2.2.4 SVM 76 2.2.5 naive_bayes 80 2.2.6 DecisionTreeClassifier 82 2.2.7 ensemble 85 2.2.8 classification_report 87 2.3 支撑知识 88 2.3.1 分类任务简介 88 2.3.2 线性模型 88 2.3.3 K近邻分类 90 2.3.4 支持向量机 91 2.3.5 朴素贝叶斯 93 2.3.6 决策树 95 2.3.7 集成模型 96 2.3.8 神经网络 97 案例3 波士顿房价预测 98 3.1 案例描述及实现 98 3.2 案例详解及示例 102 3.2.1 数据预处理 102 3.2.2 linear_model 104 3.2.3 KNeighborsRegressor 108 3.2.4 SVR 110 3.2.5 DecisionTreeRegressor 111 3.2.6 ensemble 113 3.3 支撑��识 119 3.3.1 回归任务简介 119 3.3.2 线性回归 120 3.3.3 K近邻回归 121 3.3.4 支持向量机回归 122 3.3.5 决策树回归 122 3.3.6 集成模型回归 124 案例4 手写体数字聚类 125 4.1 案例描述及实现 125 4.1.1 案例简介 125 4.1.2 数据介绍 125 4.1.3 案例实现 126 4.2 案例详解及示例 129 4.2.1 load_digits 129 4.2.2 AgglomerativeClustering 130 4.2.3 KMeans 131 4.2.4 MeanShift 133 4.2.5 DBSCAN 134 4.2.6 AffinityPropagation 136 4.2.7 v_measure_score 137 4.3 支撑知识 140 4.3.1 聚类任务简介 140 4.3.2 层次聚类 140 4.3.3 K均值聚类 141 4.3.4 均值漂移聚类 143 4.3.5 密度聚类 143 4.3.6 近邻传播聚类 144 案例5 人脸特征降维 145 5.1 案例描述 145 5.1.1 案例简介 145 5.1.2 数据介绍 145 5.1.3 案例实现 145 5.2 案例详解及示例 148 5.2.1 fetch_olivetti_faces 148 5.2.2 PCA 149 5.2.3 NMF 155 5.2.4 FastICA 156 5.2.5 FactorAnalysis 157 5.3 支撑知识及示例 158 5.3.1 特征降维简介 158 5.3.2 主成分分析 158 5.3.3 非负矩阵分解 159 5.3.4 独立成分分析 160 5.3.5 因子分析 161 案例6 在线旅行社酒店价格异常检测 162 6.1 案例描述 162 6.1.1 案例简介 162 6.1.2 数据介绍 162 6.1.3 案例实现 163 6.2 案例详解及示例 168 6.2.1 导入数据 168 6.2.2 基于聚类的异常检测 168 6.2.3 基于孤立森林的异常检测 169 6.2.4 基于支持向量机的异常检测 172 6.2.5 基于高斯分布的异常检测 173 6.3 支撑知识 177 6.3.1 异常检测简介 177 6.3.2 基于聚类的异常检测 177 6.3.3 基于孤立森林的异常检测 177 6.3.4 基于支持向量机的异常检测 179 6.3.5 基于高斯分布的异常检测 179 附录A VirtualBox虚拟机软件与Linux的安装和配置 180 附录B Linux(Ubuntu 14.4)的基本命令与使用 203 附录C GitHub代码托管平台 208 附录D Docker技术与应用 212 附录E 人工智能的数学基础与工具 214 附录F 公开数据集介绍与下载 225 附录G 人工智能的网络学习资源 230 附录H 人工智能的技术图谱 233 附录I 人工智能技术应用就业岗位与技能需求 237 附录J Sklearn常用模块和函数 242 参考文献 248