目录
• 第一部分 机器学习概念篇
• 第1章 机器学习基础
• 1.1 机器学习概述
• 1.1.1 机器学习概念
• 1.1.2 机器学习的发展
• 1.1.3 机器学习的用途
• 1.1.4 机器学习、数据挖掘与人工智能的关系
• 1.2 机器学习的基本术语
• 1.3 机器学习的任务及算法分类
• 1.4 如何学习和运用机器学习
• 1.4.1 机器学习应用的流程
• 1.4.2 软件平台的选择
• 1.4.3 机器学习实现
• 1.5 数据预处理
• 1.5.1 数据选取
• 1.5.2 数据清理
• 1.5.3 数据集成
• 1.5.4 数据变换
• 1.5.5 数据归约
• 本章参考文献
• 第二部分 Python机器学习基础篇
• 第2章 Python基础入门
• 2.1 Python的安装方法
• 2.2 Python学习工具介绍
• 2.2.1 PyCharm的安装
• 2.2.2 PyCharm界面介绍
• 2.2.3 PyCharm程序的运行
• 2.3 Python语言介绍
• 第三部分 机器学习算法与Python实践篇
• 第3章 决策树
• 3.1 决策树算法概述
• 3.2 决策树算法的基本原理
• 3.3 决策树算法的特点
• 3.4 基于决策树算法的改进
• 3.5 基于决策树算法的Python实践
• 本章参考文献
• 第4章 集成学习
• 4.1 集成学习原理
• 4.2 集成学习的主要方法
• 4.2.1 Bagging
• 4.2.2 Boosting
• 4.2.3 Stacking
• 4.3 基于集成学习的Python实践
• 本章参考文献
• 第5章 支持向量机
• 5.1 支持向量机算法概述
• 5.2 支持向量机的基本原理
• 5.3 支持向量机的特点
• 5.4 基于支持向量机算法的改进
• 5.5 基于支持向量机算法的Python实践
• 本章参考文献
• 第6章 朴素贝叶斯
• 6.1 朴素贝叶斯算法概述
• 6.2 朴素贝叶斯的基本原理
• 6.3 朴素贝叶斯的特点
• 6.4 基于朴素贝叶斯算法的改进
• 6.5 基于朴素贝叶斯算法的Python实践
• 本章参考文献
• 第7章 线性回归
• 7.1 线性回归的原理
• 7.2 线性回归实例
• 7.3 多元线性回归
• 7.4 线性回归算法的Python实践
• 本章参考文献
• 第8章 逻辑回归
• 8.1 逻辑回归的原理
• 8.2 逻辑回归及公式推导
• 8.3 逻辑回归的Python实践
• 本章参考文献
• 第9章 神经网络
• 9.1 神经网络算法概述
• 9.2 神经网络的工作原理
• 9.3 神经网络的结构
• 9.4 基于神经网络的扩展
• 9.5 深度学习
• 9.6 神经网络的Python实践
• 本章参考文献
• 第10章 强化学习
• 10.1 强化学习算法概述
• 10.2 强化学习的原理
• 10.3 强化学习的应用场景
• 10.4 强化学习的Python实践
• 本章参考文献
• 第11章 Adaboost算法
• 11.1 集成学习方法简介
• 11.2 Adaboost算法概述
• 11.2.1 Adaboost的思想
• 11.2.2 Adaboost算法的理论推导
• 11.2.3 Adaboost算法的步骤
• 11.2.4 Adaboost算法的特点
• 11.2.5 通过实例理解Adaboost算法
• 11.3 Adaboost算法的改进
• 11.3.1 Real Adaboost算法
• 11.3.2 Gentle Adaboost算法
• 11.3.3 LogitBoost算法
• 11.4 Adaboost算法的Python实践
• 本章参考文献
• 第12章 EM算法
• 12.1 EM算法概述
• 12.2 EM算法的基本原理
• 12.3 EM算法的特点
• 12.4 EM算法的改进
• 12.5 基于Monte Carlo的EM算法
• 12.6 EM算法的Python实践
• 本章参考文献
• 第13章 中心极限定理与k - 中心点算法
• 13.1 中心极限定理的原理
• 13.2 中心极限定理的实例
• 13.3 k - 中心点算法的原理
• 13.4 k - 中心点算法的特点
• 13.5 k - 中心点算法的改进
• 13.6 k - 中心点算法的Python实践
• 本章参考文献
• 第14章 关联规则挖掘的Apriori算法
• 14.1 关联规则概述
• 14.2 Apriori算法的原理
• 14.3 Apriori算法的特点
• 14.4 Apriori算法的改进
• 14.5 Apriori算法的Python实践
• 本章参考文献
• 第15章 高斯混合模型算法
• 15.1 高斯混合模型算法概述
• 15.2 高斯混合模型算法的基本原理
• 15.3 高斯混合模型算法的特点
• 15.4 高斯混合模型算法的改进
• 15.5 高斯混合模型算法的Python实践
• 本章参考文献
• 第16章 DBSCAN算法
• 16.1 DBSCAN算法概述
• 16.2 DBSCAN算法的基本原理
• 16.3 DBSCAN算法的实现细节
• 16.4 DBSCAN算法的优缺点
• 16.5 DBSCAN算法的改进
• 16.6 基于DBSCAN算法的Python实践
• 本章参考文献
• 第17章 DBSCAN算法
• 17.1 DBSCAN算法的基本概念
• 17.2 DBSCAN算法的原理
• 17.3 DBSCAN算法的实现
• 17.4 DBSCAN算法的优缺点
• 17.5 DBSCAN算法的改进
• 17.6 基于DBSCAN算法的Python实践
• 本章参考文献
• 第18章 策略迭代与值迭代
• 18.1 强化学习的基本模型
• 18.2 策略迭代过程
• 18.3 策略
• 18.4 价值函数
• 18.5 贝尔曼方程
• 18.6 策略迭代和值迭代的Python实践
• 本章参考文献
读书摘要与主要内容介绍
《机器学习入门与实战：Python实践应用》是一本全面且系统地介绍机器学习相关知识的书籍，它通过理论与实践相结合的方式，帮助读者深入理解机器学习的各个方面。
第一部分：机器学习概念篇
在这一部分中，作者首先为读者建立了机器学习的基本概念。从机器学习的定义、发展历程、用途以及与数据挖掘和人工智能的关系入手，让读者对机器学习有一个宏观的认识。接着，详细阐述了机器学习中的基本术语、任务和算法分类，以及如何学习和应用机器学习。这包括了机器学习应用的流程、软件平台选择和数据预处理等内容，为后续的深入学习打下了坚实的基础。
第二部分：Python机器学习基础篇
此部分聚焦于Python这一在机器学习领域广泛应用的编程语言。作者详细介绍了Python的安装方法，并推荐了学习工具如PyCharm，包括其安装、界面介绍和程序运行的方法。同时，对Python语言本身进行了介绍，为读者在后续的机器学习算法实践中使用Python做好准备。
第三部分：机器学习算法与Python实践篇
这是本书的核心部分，涵盖了大量的机器学习算法及其Python实践。
- 决策树（第3章）
• 从算法概述、基本原理、特点到改进方法，都进行了详细讲解。最后通过Python实践，让读者能够动手实现决策树算法。
- 集成学习（第4章）
• 介绍了集成学习的原理和主要方法，如Bagging、Boosting和Stacking，并给出了Python实践案例，帮助读者理解如何通过集成多个模型来提高预测性能。
- 支持向量机（第5章）
• 对支持向量机的算法原理、特点和改进方法进行了阐述，并通过Python实践让读者掌握其应用。
- 朴素贝叶斯（第6章）
• 包括算法概述、基本原理、特点和改进方法，以及基于Python的实践操作。
- 线性回归（第7章）
• 从原理、实例到多元线性回归，最后通过Python实践，让读者了解如何进行线性回归分析。
- 逻辑回归（第8章）
• 详细介绍了逻辑回归的原理和公式推导，并通过Python实践帮助读者掌握其应用。
- 神经网络（第9章）
• 涵盖了神经网络的算法概述、工作原理、结构和扩展，以及深度学习的相关内容，并通过Python实践让读者能够实现神经网络算法。
- 强化学习（第10章）
• 从算法概述、原理到应用场景，最后通过Python实践，让读者了解强化学习的应用。
- Adaboost算法（第11章）
• 详细讲解了Adaboost算法的原理、特点和改进方法，并通过Python实践让读者能够实现该算法。
- EM算法（第12章）
• 包括算法概述、基本原理、特点和改进方法，以及基于Python的实践操作。
- 中心极限定理与k - 中心点算法（第13章）
• 从原理、实例到算法的特点和改进方法，最后通过Python实践让读者掌握其应用。
- 关联规则挖掘的Apriori算法（第14章）
• 详细介绍了Apriori算法的原理、特点和改进方法，并通过Python实践帮助读者应用该算法进行关联规则挖掘。
- 高斯混合模型算法（第15章）
• 从算法概述、基本原理到特点和改进方法，最后通过Python实践让读者能够实现该算法。
- DBSCAN算法（第16 - 17章）
• 对DBSCAN算法进行了深入的讲解，包括其原理、实现细节、优缺点和改进方法，并通过Python实践让读者掌握其应用。
- 策略迭代与值迭代（第18章）
• 介绍了强化学习的基本模型、策略迭代过程、策略、价值函数和贝尔曼方程，并通过Python实践让读者了解如何进行策略迭代和值迭代。
总体而言，这本书通过丰富的内容和大量的实践案例，为读者提供了一个全面学习机器学习的平台，无论是初学者还是有一定基础的读者，都能从中获得知识和实践经验。