第一部分 環(huán)境基礎教學
第1章 實驗環(huán)境搭建 3
1.1 Anaconda的安裝 3
1.2 PyCharm的安裝與使用 7
1.3 包的安裝 10
1.3.1 pip的安裝與使用 10
1.3.2 NumPy的安裝 11
1.3.3 Matplotlib的安裝 11
1.3.4 Pandas的安裝 12
1.4 框架搭建 13
1.4.1 PyTorch-CPU的安裝 13
1.4.2 TensorFlow-CPU的安裝 15
1.5 本章小結 18
1.6 本章習題 18
第2章 Python編程語言基礎 19
2.1 基礎語法 19
2.1.1 輸入/輸出函數 20
2.1.2 標識符和關鍵字 22
2.1.3 變量、數據類型及注釋 23
2.1.4 運算符 25
2.2 基本程序設計方法 27
2.2.1 函數 28
2.2.2 分支結構 31
2.2.3 循環(huán) 33
2.3 編程進階 36
2.3.1 列表 37
2.3.2 字典 40
2.3.3 文件操作 43
2.4 本章小結 46
2.5 本章習題 47
第二部分 機器學習
第3章 機器學習基礎 51
3.1 基本概念 51
3.2 機器學習的三要素 52
3.2.1 模型 52
3.2.2 學習策略 53
3.2.3 優(yōu)化準則 54
3.3 評估方法 55
3.3.1 數據集劃分方法 56
3.3.2 性能度量 56
3.4 本章小結 58
3.5 本章習題 59
第4章 K近鄰算法 60
4.1 算法概述 60
4.1.1 基本概念 60
4.1.2 距離計算函數 61
4.2 實驗數據 61
4.2.1 準備數據 62
4.2.2 分析數據 62
4.2.3 處理數據 63
4.3 算法實戰(zhàn) 64
4.3.1 KNN算法實現 64
4.3.2 預測測試集并計算準確率 65
4.3.3 結果分析 65
4.4 本章小結 66
4.5 本章習題 66
第5章 決策樹算法 67
5.1 算法概述 68
5.1.1 基本概念 68
5.1.2 特征選擇 69
5.1.3 決策樹的生成 71
5.1.4 決策樹的剪枝 72
5.1.5 決策樹的存儲 72
5.1.6 決策樹的可視化 72
5.2 實驗數據 72
5.2.1 數據集介紹 73
5.2.2 導入數據集 73
5.2.3 劃分訓練集和測試集 74
5.3 算法實戰(zhàn) 75
5.3.1 計算香農熵 75
5.3.2 數據集最佳劃分函數 76
5.3.3 按照給定列劃分數據集 76
5.3.4 遞歸構建決策樹 77
5.3.5 利用訓練集生成決策樹 78
5.3.6 保存決策樹 78
5.3.7 預測測試集并計算準確率 78
5.3.8 繪制決策樹 79
5.4 本章小結 81
5.5 本章習題 81
第6章 樸素貝葉斯算法 82
6.1 算法概述 83
6.1.1 基本概念 83
6.1.2 貝葉斯算法的原理 84
6.1.3 樸素貝葉斯算法的類型 85
6.2 實驗數據 85
6.2.1 準備數據 85
6.2.2 分析數據 87
6.2.3 處理數據 89
6.3 算法實戰(zhàn) 92
6.3.1 算法構建 92
6.3.2 訓練測試數據 93
6.3.3 結果分析 93
6.4 本章小結 93
6.5 本章習題 94
第7章 Logistic回歸 95
7.1 Logistic回歸概述 95
7.1.1 基本概念 95
7.1.2 Logistic回歸算法 96
7.1.3 梯度下降法 99
7.2 Logistic回歸實戰(zhàn) 101
7.2.1 準備數據 102
7.2.2 分析數據 102
7.2.3 處理數據 103
7.3 算法實戰(zhàn) 104
7.3.1 算法構建 104
7.3.2 定義分類函數 106
7.3.3 預測測試集并計算準確率 106
7.3.4 結果分析 107
7.4 本章小結 108
7.5 本章習題 108
第8章 支持向量機 109
8.1 支持向量機算法思想 109
8.1.1 算法原理 109
8.1.2 算法流程 111
8.1.3 SMO算法 117
8.2 實驗數據 119
8.2.1 準備數據 119
8.2.2 分析數據 120
8.2.3 處理數據 122
8.3 算法實戰(zhàn) 124
8.3.1 算法構建 124
8.3.2 訓練測試數據 127
8.3.3 結果分析 128
8.4 本章小結 129
8.5 本章習題 129
第9章 隨機森林算法 130
9.1 算法概述 131
9.1.1 集成學習概述 131
9.1.2 隨機森林算法概述 132
9.2 實驗數據 134
9.2.1 準備數據 135
9.2.2 分析數據 135
9.2.3 處理數據 137
9.3 算法實戰(zhàn) 138
9.3.1 創(chuàng)建隨機森林分類器 138
9.3.2 創(chuàng)建修改參數的隨機森林 139
9.3.3 使用隨機森林模型找重要特征 140
9.3.4 可視化特征分數 140
9.3.5 在選定的特征上建立隨機森林模型 141
9.4 本章小結 142
9.5 本章習題 142
第10章 AdaBoost算法 143
10.1 算法概述 143
10.1.1 Boosting算法概述 143
10.1.2 AdaBoost算法概述 145
10.2 實驗數據 146
10.2.1 準備數據 146
10.2.2 處理數據 147
10.3 算法實戰(zhàn) 147
10.3.1 算法構建 147
10.3.2 訓練測試數據 152
10.3.3 結果分析 152
10.4 本章小結 153
10.5 本章習題 153
第11章 Apriori算法 154
11.1 算法概述 154
11.1.1 關聯分析 154
11.1.2 Apriori算法的思想 155
11.2 實驗數據 158
11.2.1 準備數據 158
11.2.2 分析數據 158
11.2.3 處理數據 159
11.3 算法實戰(zhàn) 160
11.3.1 算法構建 160
11.3.2 訓練測試數據 163
11.3.3 結果分析 163
11.4 本章小結 163
11.5 本章習題 164
第三部分 深度學習
第12章 深度學習基礎 167
12.1 基礎知識 167
12.1.1 框架介紹 167
12.1.2 PyTorch基礎語法 170
12.2 神經網絡基礎 172
12.2.1 神經元 172
12.2.2 激活函數概述 174
12.2.3 常見的激活函數 176
12.3 前饋神經網絡和反饋神經網絡 179
12.3.1 前饋神經網絡 179
12.3.2 反饋神經網絡 180
12.4 損失函數 186
12.4.1 L1和L2損失函數 187
12.4.2 交叉熵損失函數 187
12.4.3 其他常見損失函數 189
12.5 優(yōu)化方法 189
12.5.1 基本概念 189
12.5.2 梯度下降法 190
12.6 本章小結 191
12.7 本章習題 191
第13章 感知機算法 192
13.1 算法概述 192
13.1.1 感知機簡介 192
13.1.2 算法實現原理 193
13.2 實驗數據 196
13.3 算法實戰(zhàn) 196
13.3.1 and運算 196
13.3.2 鳶尾花分類 198
13.4 本章小結 200
13.5 本章習題 200
第14章 卷積神經網絡 201
14.1 模型概述 202
14.1.1 卷積神經網絡的結構及原理 202
14.1.2 卷積神經網絡的特點 203
14.1.3 卷積層 204
14.1.4 池化層 205
14.1.5 全連接層 206
14.2 實驗數據 207
14.2.1 準備數據 207
14.2.2 處理數據 209
14.3 模型構建 209
14.3.1 相關函數介紹 209
14.3.2 卷積神經網絡的構建 210
14.3.3 模型訓練 211
14.4 本章小結 214
14.5 本章習題 214
第15章 VGG16網絡 215
15.1 模型概述 216
15.1.1 VGG網絡的結構及原理 216
15.1.2 VGG網絡的特點 217
15.2 實驗數據 218
15.2.1 準備數據 218
15.2.2 處理數據 219
15.3 模型構建 220
15.3.1 構建VGG16網絡 220
15.3.2 測試模型 226
15.3.3 結果分析 227
15.4 本章小結 227
15.5 本章習題 228
第16章 循環(huán)神經網絡 229
16.1 算法概述 229
16.1.1 語言模型 229
16.1.2 循環(huán)神經網絡的原理 230
16.1.3 雙向循環(huán)神經網絡 231
16.1.4 循環(huán)神經網絡的訓練算法 232
16.1.5 長短時記憶網絡 234
16.2 數據處理 239
16.2.1 準備數據 239
16.2.2 分析數據 240
16.2.3 處理數據 241
16.3 算法實戰(zhàn) 242
16.3.1 模型構建 242
16.3.2 驗證數據 243
16.3.3 股票價格預測 244
16.4 本章小結 245
16.5 本章習題 245
參考文獻 246