第1 章 机器学习简介
1.1 机器学习的任务
1.2 机器学习的三种方式
1.3 机器学习系统的建立
1.4 机器学习实例
第2 章 Pytho常用库介绍
2.1 Pytho的安装(Anaconda)
2.1.1 Spyder
2.1.2 Jupyter Notebook
2.2 Pytho常用库
2.2.1 Numpy 库
2.2.2 Pandas 库
2.2.3 Matplotlib 库
2.2.4 Statsmodels 库
2.2.5 Scikit-lear库
2.3 其他Pytho常用的数据库
2.4 Pytho各种库在机器学习中的应用
第3 章 数据的准备和探索
3.1 数据预处理
3.2 数据假设检验
3.3 数据间的关系
3.4 数据可视化
3.5 特征提取和降维
第4 章 模型训练和评估
4.1 模型训练技巧
4.2 分类效果的评价
4.3 回归模型评价
4.4 聚类分析评估
第5 章 回归分析
5.1 回归分析简介
5.2 多元线性回归分析
5.2.1 多元线性回归
5.2.2 逐步回归
5.3 Lasso 回归分析
5.4 Logistic 回归分析
5.5 时间序列预测
第6 章 关联规则
6.1 关联规则简介
6.2 使用关联规则找到问卷的规则
6.3 关联规则可视化
第7 章 无监督学习
7.1 无监督学习介绍
7.2 系统聚类
7.3 K- 均值聚类
7.4 密度聚类
7.5 MeaShift 聚类
7.6 字典学习图像去噪
第8 章 文本LDA 模型
8.1 文本分析简介
8.2 中文分词
8.3 LDA 主题模型分析《红楼梦》
8.4 红楼梦人物关系
第9 章 决策树和集成学习
9.1 模型简介
9.2 泰坦尼克号数据预处理
9.3 决策树模型
9.4 决策树剪枝
9.5 随机森林模型
9.6 AdaBoost 模型
第10 章 朴素贝叶斯和K近邻分类
10.1 模型简介
10.2 垃圾邮件数据预处理
10.3 贝叶斯模型识别垃圾邮件
10.4 基于异常值检测的垃圾邮件查找
10.4.1 PCA 异常值检测
10.4.2 IsolatioForest 异常值检测
10.5 数据不平衡问题的处理
10.6 K 近邻分类
第11 章 支持向量机和神经网络
11.1 模型简介
11.2 肺癌数据可视化
11.3 支持向量机模型
11.4 全连接神经网络
第12 章 深度学习入门
12.1 深度学习介绍
12.2 卷积和池化
12.3 CNN 人脸识别
12.4 CNN 人脸检测
12.5 深度卷积图像去噪
12.5.1 空洞卷积
12.5.2 图像与图像块的相互转换
12.5.3 一种深度学习去噪方法