绪论\t1
0.1 机器学习综述\t1
0.1.1 机器学习的含义\t1
0.1.2 机器学习的应用场景\t1
0.1.3 机器学习类型\t3
0.1.4 相关术语\t5
0.1.5 人工智能、机器学习与深度学习\t6
0.2 开发环境搭建\t8
0.2.1 Windows系统环境\t8
0.2.2 Ubuntu系统环境\t17
0.3 Python编程基础\t17
0.3.1 Python简介\t17
0.3.2 Python基本语法\t18
0.3.3 Python数据类型\t19
0.3.4 Python常用语句\t28
0.3.5 Python函数(模块)设计\t33
0.3.6 Python编程库(包)的导入\t38
案例1 泰坦尼克号数据分析与预处理\t39
1.1 案例描述及实现\t39
1.2 案例详解及示例\t43
1.3 支撑技术\t45
1.3.1 Numpy\t45
1.3.2 Matplotlib\t52
1.3.3 Pandas\t61
1.3.4 Scikit-learn\t64
案例2 良/恶性乳腺癌肿瘤预测\t66
2.1 案例描述及实现\t66
2.2 案例详解及示例\t69
2.2.1 数据预处理\t69
2.2.2 linear_model\t71
2.2.3 KNeighborsClassifier\t74
2.2.4 SVM\t76
2.2.5 naive_bayes\t80
2.2.6 DecisionTreeClassifier\t82
2.2.7 ensemble\t85
2.2.8 classification_report\t87
2.3 支撑知识\t88
2.3.1 分类任务简介\t88
2.3.2 线性模型\t88
2.3.3 K近邻分类\t90
2.3.4 支持向量机\t91
2.3.5 朴素贝叶斯\t93
2.3.6 决策树\t95
2.3.7 集成模型\t96
2.3.8 神经网络\t97
案例3 波士顿房价预测\t98
3.1 案例描述及实现\t98
3.2 案例详解及示例\t102
3.2.1 数据预处理\t102
3.2.2 linear_model\t104
3.2.3 KNeighborsRegressor\t108
3.2.4 SVR\t110
3.2.5 DecisionTreeRegressor\t111
3.2.6 ensemble\t113
3.3 支撑知识\t119
3.3.1 回归任务简介\t119
3.3.2 线性回归\t120
3.3.3 K近邻回归\t121
3.3.4 支持向量机回归\t122
3.3.5 决策树回归\t122
3.3.6 集成模型回归\t124
案例4 手写体数字聚类\t125
4.1 案例描述及实现\t125
4.1.1 案例简介\t125
4.1.2 数据介绍\t125
4.1.3 案例实现\t126
4.2 案例详解及示例\t129
4.2.1 load_digits\t129
4.2.2 AgglomerativeClustering\t130
4.2.3 KMeans\t131
4.2.4 MeanShift\t133
4.2.5 DBSCAN\t134
4.2.6 AffinityPropagation\t136
4.2.7 v_measure_score\t137
4.3 支撑知识\t140
4.3.1 聚类任务简介\t140
4.3.2 层次聚类\t140
4.3.3 K均值聚类\t141
4.3.4 均值漂移聚类\t143
4.3.5 密度聚类\t143
4.3.6 近邻传播聚类\t144
案例5 人脸特征降维\t145
5.1 案例描述\t145
5.1.1 案例简介\t145
5.1.2 数据介绍\t145
5.1.3 案例实现\t145
5.2 案例详解及示例\t148
5.2.1 fetch_olivetti_faces\t148
5.2.2 PCA\t149
5.2.3 NMF\t155
5.2.4 FastICA\t156
5.2.5 FactorAnalysis\t157
5.3 支撑知识及示例\t158
5.3.1 特征降维简介\t158
5.3.2 主成分分析\t158
5.3.3 非负矩阵分解\t159
5.3.4 独立成分分析\t160
5.3.5 因子分析\t161
案例6 在线旅行社酒店价格异常检测\t162
6.1 案例描述\t162
6.1.1 案例简介\t162
6.1.2 数据介绍\t162
6.1.3 案例实现\t163
6.2 案例详解及示例\t168
6.2.1 导入数据\t168
6.2.2 基于聚类的异常检测\t168
6.2.3 基于孤立森林的异常检测\t169
6.2.4 基于支持向量机的异常检测\t172
6.2.5 基于高斯分布的异常检测\t173
6.3 支撑知识\t177
6.3.1 异常检测简介\t177
6.3.2 基于聚类的异常检测\t177
6.3.3 基于孤立森林的异常检测\t177
6.3.4 基于支持向量机的异常检测\t179
6.3.5 基于高斯分布的异常检测\t179
附录A VirtualBox虚拟机软件与Linux的安装和配置\t180
附录B Linux(Ubuntu 14.4)的基本命令与使用\t203
附录C GitHub代码托管平台\t208
附录D Docker技术与应用\t212
附录E 人工智能的数学基础与工具\t214
附录F 公开数据集介绍与下载\t225
附录G 人工智能的网络学习资源\t230
附录H 人工智能的技术图谱\t233
附录I 人工智能技术应用就业岗位与技能需求\t237
附录J Sklearn常用模块和函数\t242
参考文献\t248