第1章 绪论 1 1.1 机器学习的发展历程 2 1.2 机器学习的基本术语 2 1.2.1 特征 3 1.2.2 样本 3 1.2.3 模型 3 1.2.4 回归、分类与聚类 4 1.2.5 泛化与过拟合 4 1.3 机器学习的基本分类 5 1.3.1 监督学习 5 1.3.2 无监督学习 5 1.3.3 半监督学习 5 1.3.4 深度学习 6 1.3.5 强化学习 8 1.3.6 机器学习与人工智能 8 1.4 机器学习的应用 9 1.4.1 图像识别与处理 9 1.4.2 语音识别与自然语言处理 10 1.4.3 环境感知与智能决策 11 1.4.4 融合物理信息的工程设计 12 1.5 机器学习应用的步骤 13 1.5.1 应用场景分析 14 1.5.2 数据处理 14 1.5.3 特征工程 14 1.5.4 算法模型训练与评估 15 1.5.5 应用服务 15 1.6 机器学习的评估方法 15 1.6.1 数据集划分方法 15 1.6.2 性能度量 16 1.7 如何学习机器学习 17 1.7.1 由浅入深 17 1.7.2 行成于思 17 第2章 Python语言 18 2.1 为什么选择Python 18 2.2 安装Python的环境 19 2.2.1 Windows下的安装 19 2.2.2 Linux下的安装 19 2.2.3 设置软件源 20 2.2.4 安装常用Python库 20 2.2.5 安装PyTorch 20 2.2.6 Conda使用技巧 21 2.3 Jupyter Notebook 21 2.3.1 Jupyter Notebook的主页面 22 2.3.2 Jupyter Notebook的快捷键 24 2.3.3 Magic关键字 25 2.4 Python基础 25 2.4.1 变量 26 2.4.2 运算符 27 2.4.3 内置函数 28 2.5 print（）函数 29 2.6 数据结构 30 2.6.1 列表 31 2.6.2 元组 38 2.6.3 集合 40 2.6.4 字符串 42 2.6.5 字典 46 2.7 控制流语句 48 2.7.1 判断语句 48 2.7.2 循环语句 50 2.8 函数 55 2.8.1 函数的参数 55 2.8.2 返回语句 56 2.8.3 默认参数 58 2.8.4 任意数量的参数 58 2.8.5 全局变量和局部变量 59 2.8.6 lambda函数 60 2.9 类和对象 60 2.9.1 成员函数与变量 61 2.9.2 继承 64 2.10 小结 66 2.11 练习题 66 2.12 在线练习题 67 第3章 Python常用库 68 3.1 NumPy数值计算库 68 3.1.1 创建NumPy数组 69 3.1.2 访问数组元素 73 3.1.3 文件读写 77 3.1.4 线性代数函数 79 3.1.5 数据统计 80 3.1.6 数组的操作 83 3.2 Matplotlib绘图库 87 3.2.1 多子图绘制 88 3.2.2 图像处理 89 3.3 小结 89 3.4 练习题 89 3.5 在线练习题 90 第4章 k最近邻算法 91 4.1 k最近邻原理 91 4.1.1 特征距离计算 92 4.1.2 算法步骤 92 4.2 机器学习的思维模型 93 4.3 数据生成 93 4.4 程序实现 95 4.5 将kNN算法封装为类 97 4.6 基于sklearn的分类实现 98 4.7 小结 100 4.8 练习题 100 4.9 在线练习题 100 第5章 k均值聚类算法 101 5.1 无监督学习思想 101 5.2 k均值聚类原理 102 5.3 k均值聚类算法 103 5.4 算法操作过程演示 103 5.5 k均值聚类算法编程实现 105 5.6 使用sklearn进行聚类 109 5.7 评估聚类性能 110 5.7.1 调整兰德指数 110 5.7.2 轮廓系数 111 5.8 k均值图像压缩 112 5.9 小结 114 5.10 练习题 115 5.11 在线练习题 115 第6章 逻辑斯蒂回归 116 6.1 最小二乘法 116 6.1.1 数据生成 116 6.1.2 最小二乘法的数学原理 117 6.1.3 最小二乘法的程序实现 118 6.2 梯度下降法 119 6.2.1 梯度下降法的原理 119 6.2.2 梯度下降法的实现 121 6.2.3 迭代可视化 123 6.2.4 梯度下降法的优化 124 6.3 多元线性回归 125 6.3.1 导弹弹道预测算法 125 6.3.2 建模与编程求解 126 6.4 使用sklearn库进行拟合 127 6.5 逻辑斯蒂回归的原理 128 6.5.1 数学模型 129 6.5.2 算法流程 131 6.6 逻辑斯蒂回归的实现 131 6.6.1 逻辑斯蒂回归示例程序 132 6.6.2 使用sklearn解决逻辑斯蒂 回归问题 134 6.6.3 多类识别问题 136 6.7 小结 140 6.8 练习题 140 6.9 在线练习题 140 第7章 神经网络 141 7.1 感知机 141 7.1.1 感知机模型 142 7.1.2 感知机学习策略 143 7.1.3 感知机学习算法 143 7.1.4 示例程序 144 7.2 多层神经网络 147 7.2.1 神经元 147 7.2.2 神经网络架构 148 7.2.3 神经网络正向计算 148 7.2.4 神经网络矩阵表示 149 7.2.5 神经网络训练 151 7.2.6 激活函数 155 7.2.7 神经网络训练算法设计 157 7.2.8 示例程序 158 7.2.9 使用类的方法封装多层神经网络 161 7.3 softmax函数与交叉熵代价函数 165 7.3.1 softmax函数 165 7.3.2 交叉熵代价函数 167 7.4 小结 169 7.5 练习题 169 7.6 在线练习题 170 第8章 PyTorch 171 8.1 张量 171 8.1.1 Tensor的生成 171 8.1.2 Tensor的操作 173 8.1.3 Tensor的维度操作 173 8.1.4 Tensor的变形 175 8.1.5 inplace操作 175 8.2 自动求导 176 8.2.1 简单情况下的自动求导 177 8.2.2 复杂情况下的自动求导 178 8.2.3 多次自动求导 180 8.3 神经网络模型 180 8.3.1 逻辑斯蒂回归与神经网络 180 8.3.2 序列化模型 185 8.3.3 模块化网