Python機器學習算法：原理、實現與應用

陳卓，博士，博士後，重慶理工大學計算機科學與工程學院副教授，碩士生導師，IEEE會員及CCF會員。長期從事智能算法在網絡領域的研究與應用。先後主持和參與10餘項各類科研課題，包括 自然科學基金項目、重慶市技術創新與應用發展項目、重慶市基礎科學與前沿技術研究項目及多項企業合作項目等。已在 外重要期刊和會議上發表論文30餘篇。已授權發明專利10餘項，出版著作2部。曾榮獲重慶市科技進步一等獎和雲南省科技進步三等獎。
陸艷軍， 工程師，重慶理工大學計算機科學與工程學院教師、碩士生導師。曾在中國移動從事網絡信息安全相關科研工作。研究方向為算法設計與應用及計算機網絡，主要講授Python程序設計、數據科學等課程。參加工作以來先後取得信息系統項目管理師、CISSP、CISP-CISE等專業技術認證。

上篇 基礎機器學習算法
第1章 打開機器學習的大門
1.1 人工智能簡介
1.1.1 人工智能的產生及發展過程
1.1.2 人工智能的應用領域
1.2 機器學習與人工智能
1.2.1 機器學習和人工智能的關系
1.2.2 機器學習分類
1.3 機器學習應用的開發過程
1.3.1 機器學習開發的基本步驟
1.3.2 機器學習開發的常用“利器”
1.4 本章小結
第2章 Python機器學習必備基礎
2.1 Python及其與機器學習之間的關系
2.1.1 Python的特點
2.1.2 利用Python進行機器學習開發的優勢
2.1.3 Python的語法規則
2.2 Python機器學習開發環境及常用庫介紹
2.2.1 Anaconda安裝及環境介紹
2.2.2 利用Jupyter Notebook進行開發
2.2.3 NumPy和Pandas常用庫
2.2.4 利用Matplotlib庫繪制圖形
2.3 Python機器學習中的數據預處理
2.3.1 什麼是數據統計
2.3.2 結構化數據文件讀取
2.3.3 數據清洗
2.3.4 數據規整化
2.3.5 統計分析常用函數
2.4 本章小結
第3章 決策樹算法原理、實現與應用
3.1 決策樹算法的原理
3.1.1 什麼是決策樹
3.1.2 構建決策樹
3.2 決策樹算法的實現
3.2.1 決策樹的算法模型
3.2.2 算法的執行流程
3.2.3 標簽編碼
3.2.4 數據集劃分
3.2.5 分類器算法評價方法
3.2.6 模型保存及使用
3.3 決策樹算法的應用實戰
3.3.1 案例1：運用決策樹實現分類器
3.3.2 案例2：運用決策樹進行水果分類判斷
3.4 本章小結
第4章 K最近鄰算法原理、實現與應用
4.1 K最近鄰算法的原理
4.1.1 什麼是K最近鄰算法
4.1.2 K最近鄰算法三要素
4.2 K最近鄰算法的實現
4.2.1 數據歸一化處理
4.2.2 初始化K最近鄰算法
4.2.3 參數調優方法
4.2.4 算法的執行流程
4.3 K最近鄰算法的應用實戰
4.3.1 案例1：通過K最近鄰算法有效實現數據分類
4.3.2 案例2：運用K最近鄰算法實現婚戀網站匹配推薦
4.3.3 案例3：運用K最近鄰算法實現手寫數字識別
4.4 本章小結
第5章 貝葉斯算法原理、實現與應用
5.1 貝葉斯算法的原理
5.1.1 貝葉斯定理
5.1.2 判別模型和生成模型
5.1.3 樸素貝葉斯模型原理
5.2 樸素貝葉斯算法的實現
5.2.1 樸素貝葉斯算法類
5.2.2 樸素貝葉斯算法的執行流程
5.2.3 文本特征提取方法
5.3 樸素貝葉斯算法的應用實戰
5.3.1 案例1：使用樸素貝葉斯算法進行文本分類
5.3.2 案例2：使用樸素貝葉斯算法進行垃圾郵件過濾
5.4 本章小結
第6章 支持向量機算法原理、實現與應用
6.1 支持向量機算法的原理
6.2 支持向量機算法的實現
6.2.1 支持向量機的核函數
6.2.2 支持向量機算法的基本實現
6.2.3 圖像數據讀取處理方法
6.3 支持向量機算法的應用實戰
6.3.1 案例1：使用支持向量機算法進行水質評估
6.3.2 案例2：使用支持向量機實現手寫數字識別
6.3.3 案例3：使用支持向量機算法實現人臉識別
6.4 本章小結
第7章 線性回歸算法原理、實現與應用
7.1 線性回歸算法的原理
7.1.1 什麼是線性回歸
7.1.2 線性回歸的數學模型
7.2 線性回歸算法的實現
7.2.1 線性回歸中的目標函數和損失函數
7.2.2 線性回歸算法的具體實現
7.3 線性回歸算法的應用實戰
7.3.1 案例1：使用線性回歸算法進行房地產銷售影響因素分析
7.3.2 案例2：使用線性回歸算法進行空氣質量預測
7.4 本章小結
第8章 集成學習算法原理、實現與應用
8.1 集成學習算法的原理
8.1.1 什麼是集成學習
8.1.2 集成學習的分類
8.2 集成學習算法的實現
8.2.1 基於特征的集成方法
8.2.2 基於數據的集成方法
\8.2.3 集成學習算法的具體應用
8.3 集成學習算法的應用實戰
8.3.1 案例1：集成學習算法實現高效數據分類
8.3.2 案例2：使用集成學習算法進行人臉識別
8.4 本章小結
下篇 基於神經網絡的機器學習算法
第9章 人工神經網絡基礎
9.1 人工神經網絡的基本原理
9.1.1 人工神經網絡及其與傳統機器學習方法的區別
9.1.2 什麼是深度學習
9.2 人工神經網絡中的重要概念及基礎
9.2.1 多維數組運算
9.2.2 激活函數
9.2.3 多層神經網絡
9.2.4 損失函數和梯度的實現
9.2.5 過擬合問題
9.3 深度學習開發利器——TensorFlow
9.3.1 TensorF