第1章 绪论 1__eol__1.1 机器学习的发展历程 2__eol__1.2 机器学习的基本术语 2__eol__1.2.1 特征 3__eol__1.2.2 样本 3__eol__1.2.3 模型 3__eol__1.2.4 回归、分类与聚类 4__eol__1.2.5 泛化与过拟合 4__eol__1.3 机器学习的基本分类 5__eol__1.3.1 监督学习 5__eol__1.3.2 无监督学习 5__eol__1.3.3 半监督学习 5__eol__1.3.4 深度学习 6__eol__1.3.5 强化学习 8__eol__1.3.6 机器学习与人工智能 8__eol__1.4 机器学习的应用 9__eol__1.4.1 图像识别与处理 9__eol__1.4.2 语音识别与自然语言处理 10__eol__1.4.3 环境感知与智能决策 11__eol__1.4.4 融合物理信息的工程设计 12__eol__1.5 机器学习应用的步骤 13__eol__1.5.1 应用场景分析 14__eol__1.5.2 数据处理 14__eol__1.5.3 特征工程 14__eol__1.5.4 算法模型训练与评估 15__eol__1.5.5 应用服务 15__eol__1.6 机器学习的评估方法 15__eol__1.6.1 数据集划分方法 15__eol__1.6.2 性能度量 16__eol__1.7 如何学习机器学习 17__eol__1.7.1 由浅入深 17__eol__1.7.2 行成于思 17__eol__第2章 Python语言 18__eol__2.1 为什么选择Python 18__eol__2.2 安装Python的环境 19__eol__2.2.1 Windows下的安装 19__eol__2.2.2 Linux下的安装 19__eol__2.2.3 设置软件源 20__eol__2.2.4 安装常用Python库 20__eol__2.2.5 安装PyTorch 20__eol__2.2.6 Conda使用技巧 21__eol__2.3 Jupyter Notebook 21__eol__2.3.1 Jupyter Notebook的主页面 22__eol__2.3.2 Jupyter Notebook的快捷键 24__eol__2.3.3 Magic关键字 25__eol__2.4 Python基础 25__eol__2.4.1 变量 26__eol__2.4.2 运算符 27__eol__2.4.3 内置函数 28__eol__2.5 print()函数 29__eol__2.6 数据结构 30__eol__2.6.1 列表 31__eol__2.6.2 元组 38__eol__2.6.3 集合 40__eol__2.6.4 字符串 42__eol__2.6.5 字典 46__eol__2.7 控制流语句 48__eol__2.7.1 判断语句 48__eol__2.7.2 循环语句 50__eol__2.8 函数 55__eol__2.8.1 函数的参数 55__eol__2.8.2 返回语句 56__eol__2.8.3 默认参数 58__eol__2.8.4 任意数量的参数 58__eol__2.8.5 全局变量和局部变量 59__eol__2.8.6 lambda函数 60__eol__2.9 类和对象 60__eol__2.9.1 成员函数与变量 61__eol__2.9.2 继承 64__eol__2.10 小结 66__eol__2.11 练习题 66__eol__2.12 在线练习题 67__eol__第3章 Python常用库 68__eol__3.1 NumPy数值计算库 68__eol__3.1.1 创建NumPy数组 69__eol__3.1.2 访问数组元素 73__eol__3.1.3 文件读写 77__eol__3.1.4 线性代数函数 79__eol__3.1.5 数据统计 80__eol__3.1.6 数组的操作 83__eol__3.2 Matplotlib绘图库 87__eol__3.2.1 多子图绘制 88__eol__3.2.2 图像处理 89__eol__3.3 小结 89__eol__3.4 练习题 89__eol__3.5 在线练习题 90__eol__第4章 k最近邻算法 91__eol__4.1 k最近邻原理 91__eol__4.1.1 特征距离计算 92__eol__4.1.2 算法步骤 92__eol__4.2 机器学习的思维模型 93__eol__4.3 数据生成 93__eol__4.4 程序实现 95__eol__4.5 将kNN算法封装为类 97__eol__4.6 基于sklearn的分类实现 98__eol__4.7 小结 100__eol__4.8 练习题 100__eol__4.9 在线练习题 100__eol__第5章 k均值聚类算法 101__eol__5.1 无监督学习思想 101__eol__5.2 k均值聚类原理 102__eol__5.3 k均值聚类算法 103__eol__5.4 算法操作过程演示 103__eol__5.5 k均值聚类算法编程实现 105__eol__5.6 使用sklearn进行聚类 109__eol__5.7 评估聚类性能 110__eol__5.7.1 调整兰德指数 110__eol__5.7.2 轮廓系数 111__eol__5.8 k均值图像压缩 112__eol__5.9 小结 114__eol__5.10 练习题 115__eol__5.11 在线练习题 115__eol__第6章 逻辑斯蒂回归 116__eol__6.1 最小二乘法 116__eol__6.1.1 数据生成 116__eol__6.1.2 最小二乘法的数学原理 117__eol__6.1.3 最小二乘法的程序实现 118__eol__6.2 梯度下降法 119__eol__6.2.1 梯度下降法的原理 119__eol__6.2.2 梯度下降法的实现 121__eol__6.2.3 迭代可视化 123__eol__6.2.4 梯度下降法的优化 124__eol__6.3 多元线性回归 125__eol__6.3.1 导弹弹道预测算法 125__eol__6.3.2 建模与编程求解 126__eol__6.4 使用sklearn库进行拟合 127__eol__6.5 逻辑斯蒂回归的原理 128__eol__6.5.1 数学模型 129__eol__6.5.2 算法流程 131__eol__6.6 逻辑斯蒂回归的实现 131__eol__6.6.1 逻辑斯蒂回归示例程序 132__eol__6.6.2 使用sklearn解决逻辑斯蒂__eol__回归问题 134__eol__6.6.3 多类识别问题 136__eol__6.7 小结 140__eol__6.8 练习题 140__eol__6.9 在线练习题 140__eol__第7章 神经网络 141__eol__7.1 感知机 141__eol__7.1.1 感知机模型 142__eol__7.1.2 感知机学习策略 143__eol__7.1.3 感知机学习算法 143__eol__7.1.4 示例程序 144__eol__7.2 多层神经网络 147__eol__7.2.1 神经元 147__eol__7.2.2 神经网络架构 148__eol__7.2.3 神经网络正向计算 148__eol__7.2.4 神经网络矩阵表示 149__eol__7.2.5 神经网络训练 151__eol__7.2.6 激活函数 155__eol__7.2.7 神经网络训练算法设计 157__eol__7.2.8 示例程序 158__eol__7.2.9 使用类的方法封装多层神经网络 161__eol__7.3 softmax函数与交叉熵代价函数 165__eol__7.3.1 softmax函数 165__eol__7.3.2 交叉熵代价函数 167__eol__7.4 小结 169__eol__7.5 练习题 169__eol__7.6 在线练习题 170__eol__第8章 PyTorch 171__eol__8.1 张量 171__eol__8.1.1 Tensor的生成 171__eol__8.1.2 Tensor的操作 173__eol__8.1.3 Tensor的维度操作 173__eol__8.1.4 Tensor的变形 175__eol__8.1.5 inplace操作 175__eol__8.2 自动求导 176__eol__8.2.1 简单情况下的自动求导 177__eol__8.2.2 复杂情况下的自动求导 178__eol__8.2.3 多次自动求导 180__eol__8.3 神经网络模型 180__eol__8.3.1 逻辑斯蒂回归与神经网络 180__eol__8.3.2 序列化模型 185__eol__8.3.3 模块化网