机器学习

第1章 绪论
1.1 机器学习的定义
1.2 机器学习的应用及具体使用条件
1.3 机器学习的整体流程
1.4 机器学习的分类
1.4.1 按照输出空间(Y)划分
1.4.2 按照输出标签yn的角度
1.4.3 按照协议(protocol)划分
1.4.4 按照输入空间X的角度
1.5 模型的选择
1.6 机器学习相关的领域及关系
第2章 数据预处理技术
2.1 数据清理
2.1.1 缺失值处理
2.1.2 噪声数据和离群点的处理
2.1.3 异常值处理
2.2 数据集成
2.2.1 实体识别问题
2.2.2 属性冗余问题
2.2.3 元组重复问题
2.3 数据归约
2.3.1 属性规约
2.3.2 维度规约
2.3.3 值规约
2.3.4 样本的规约
2.4 数据的标准化
2.4.1 min—max标准化(min—max normalization)
2.4.2 z—score标准化(zero—mean normalization)
2.4.3 (正数)归一化方法
2.4.4 log函数转换
2.4.5 atan函数转换
2.4.6 小数定标(decimal scaling)标准化
2.5 总结
第3章 感知机
3.1 引例
3.2 感知机原理介绍
3.2.1 感知机模型定义
3.2.2 感知机学习策略
3.3 案例实战
3.4 总结
第4章 线性回归
4.1 回归的定义
4.2 线性回归问题及其算法
4.3 案例实战
4.4 总结
第5章 决策树
5.1 决策树
5.2 决策树算法基本流程
5.3 决策树的改进变种
5.4 案例实战
第6章 随机森林
6.1 基本概念
6.2 随机森林算法构建的主要过程
6.3 案例实战
6.4 总结
第7章 K最近邻算法
7.1 算法的思想
7.2 K值的选取以及距离的计算
7.3 K最近邻分类算法过程
7.4 案例实战
7.5 总结
第8章 逻辑斯蒂回归
8.1 基本概念
8.2 逻辑斯蒂回归算法
8.3 案例实战
8.4 总结
第9章 朴素贝叶斯模型
9.1 朴素贝叶斯模型简介
9.2 朴素贝叶斯理论基础
9.3 朴素贝叶斯算法原理
9.4 朴素贝叶斯的应用
9.5 案例实战
第10章 支持向量机
10.1 支持向量机的原理
lO.2 线性可分的支持向量机
10.3 软间隔支持向量机与松弛变量
10.4 案例实战
10.5 总结
第11章 聚类
11.1 聚类的定义
11.2 基于层次的方法
11.3 基于划分的方法
11.4 基于密度的方法
11.5 案例实战
第12章 神经网络与深度学习
12.1 神经网络
12.2 深度学习
12.3 案例实战
附录
附录1 Pvthon基础
附录2 MATLAB相关介绍
附录3 R语言基础
参考文献