本书将基础理论和案例实战相结合,循序渐进地介绍了关于机器学习领域中的经典和流行算法,全面、系统地介绍了使用Python实现机器学习算法,并通过PyTorch框架实现机器学习算法中的深度学习内容。部分为基础篇,包括第1~8章,系统地介绍了机器学习基础、数据预处理、简单分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络与多层感知机; 第二部分为综合篇,包括第9~12章,介绍了CNN、RNN、GNN及GAN等经典深度学习方法及其在计算机视觉与自然语言处理领域中的应用实践; 第三部分为拓展篇,包括第13~15章,以百度飞桨和旷视天元为例介绍了具有代表性的国产开源框架及其应用案例,后简要介绍了国内外两个主流机器学习竞赛平台。 本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员,从事高等教育的专任教师,高等学校的在读学生及相关领域的科研人员。

部分基础篇 第1章机器学习基础 1.1机器学习概述 1.1.1机器学习任务 1.1.2重要概念 1.1.3性能评估 1.2编程语言与环境 1.2.1Python简介 1.2.2Python环境配置与安装 1.2.3Python机器学习编程库 1.2.4PyTorch框架 第2章数据预处理 2.1数据清洗 2.1.1缺失值处理 2.1.2离群值检测 2.2数据转换 2.2.1数字化 2.2.2离散化 2.2.3正规化 2.2.4数值转换 2.3数据压缩 2.3.1降维 2.3.2实例选择和采样 2.4应用案例: 基于PCA的数据降维 2.4.1数据集 2.4.2PCA降维 2.4.3案例结果及分析 第3章简单分类算法 3.1朴素贝叶斯分类算法 3.2KNN分类算法 3.2.1KNN算法实现原理 3.2.2KNN算法实现步骤 3.2.3KNN算法优缺点 3.3应用案例: KNN分类 3.3.1数据集 3.3.2构建KNN分类器 3.3.3案例结果及分析 第4章决策树 4.1决策树模型 4.2特征选择 4.2.1特征和数据划分 4.2.2划分标准 4.3决策树生成算法 4.3.1ID3决策树生成算法 4.3.2C4.5决策树生成算法 4.4CART算法 4.4.1决策树的剪枝 4.4.2CART生成算法 4.4.3CART剪枝算法 4.5应用案例: 基于决策树的鸢尾花图像分类 4.5.1数据集 4.5.2构建决策树 4.5.3案例结果及分析 第5章支持向量机 5.1支持向量机的基本原理 5.1.1线性可分 5.1.2间隔问题 5.1.3支持向量 5.2常用核函数 5.2.1线性核函数 5.2.2高斯核函数 5.2.3多项式核函数 5.3应用案例: 基于SVM的异或数据集划分 5.3.1数据集及数据预处理 5.3.2构建SVM分类器 5.3.3案例结果及分析 第6章回归分析 6.1线性回归 6.1.1简单线性回归 6.1.2多元线性回归 6.2多项式回归 6.3正则化回归 6.3.1岭回归 6.3.2小收缩与选择算子 6.3.3弹性网络 6.4随机森林回归 6.5回归模型的性能评估 6.6回归模型的实现 6.6.1线性回归实现 6.6.2多项式回归实现 6.6.3正则化回归实现 6.6.4随机森林回归实现 6.7应用案例: 基于随机森林的房价预测 6.7.1数据集 6.7.2数据预处理 6.7.3随机森林回归模型建立 6.7.4案例结果及分析 第7章聚类分析 7.1聚类概述 7.1.1性能度量 7.1.2距离计算 7.2Kmeans算法 7.3层次聚类 7.4密度聚类 7.4.1DBSCAN相关概念 7.4.2DBSCAN算法流程 7.5应用案例 7.5.1Kmeans应用案例 7.5.2层次聚类应用案例 7.5.3DBSCAN应用案例 第8章神经网络与多层感知机 8.1神经元模型 8.2感知机原理及结构 8.2.1单层感知机 8.2.2多层感知机 8.2.3反向传播算法 8.3应用案例: 基于多层感知机的手写数字识别 8.3.1数据集及数据预处理 8.3.2三层感知机构建 8.3.3案例结果及分析 第二部分综合篇 第9章基于CNN的图像识别 9.1CNN的基本组成 9.1.1卷积运算基本过程 9.1.2多通道卷积 9.1.3池化 9.2CNN模型简介 9.3基于PyTorch构建CNN 9.4应用案例: 基于CNN的人脸性别识别 9.4.1数据集 9.4.2数据预处理 9.4.3搭建卷积神经网络 9.4.4案例结果及分析 第10章基于RNN的序列数据分类 10.1面向序列数据的机器学习 10.1.1RNN相关背景知识 10.1.2序列数据 10.1.3序列数据与建模 10.2RNN的常用网络结构 10.2.1基本结构 10.2.2简单循环网络模型 10.2.3门控算法模型 10.3基于PyTorch构建LSTM 10.4应用案例: 基于LSTM的文本分类 10.4.1数据准备 10.4.2模型构建和实现 10.4.3训练模型 10.4.4测试模型 第11章基于GNN的文本分类 11.1GNN基础 11.1.1GNN模型简介 11.1.2GCN模型简介 11.2GCN构建 11.2.1代码层次结构 11.2.2代码实现 11.3应用案例: 基于GCN的文本分类 11.3.1TextGCN介绍 11.3.2基于TextGCN的文本分类 11.3.3案例结果及分析 第12章基于GAN的图像生成 12.1GAN概述 12.1.1自编码器 12.1.2生成模型 12.1.3GAN基本原理 12.1.4GAN模型结构 12.1.5GAN的两种目标函数 12.1.6GAN的训练 12.2基于PyTorch构建GAN 12.2.1网络结构 12.2.2基于PyTorch建立GAN模型 12.3应用案例: 基于GAN的图像生成 12.3.1FashionMNIST数据集 12.3.2数据预处理 12.3.3搭建GAN模型 12.3.4案例结果及分析 第三部分拓展篇 第13章基于百度飞桨的车道线检测 13.1百度飞桨平台简介 13.2百度AI Studio平台简介 13.3使用AI Studio平台创建个项目 13.4应用案例: 车道线检测 13.4.1车道线检测数据集 13.4.2评价指标 13.4.3数据预处理 13.4.4模型构建 13.4.5训练和预测 第14章基于旷视天元MegEngine的目标检测 14.1旷视天元MegEngine平台简介 14.1.1MegEngine整体架构 14.1.2旷视天元平台特点 14.2MegEngine平台使用方法 14.2.1注册 14.2.2创建项目 14.3应用案例: 基于MegEngine的目标检测 14.3.1MSCOCO数据集 14.3.2目标检测评估指标 14.3.3模型训练与测试 第15章机器学习竞赛平台实践 15.1主流竞赛平台 15.1.1Kaggle竞赛 15.1.2天池大数据竞赛 15.2Kaggle竞赛实践 15.2.1应用案例1: 泰坦尼克之灾 15.2.2应用案例2: 细粒度犬种识别 15.2.3应用案例3: Home Depot产品相关性预测 15.3天池大数据竞赛实践 15.3.1应用案例1: 街景字符编码识别 15.3.2应用案例2: NLP新闻文本分类 15.3.3应用案例3: 贷款违约预测 参考文献