第1章 机器学习概述 1__eol__1.1　机器学习简介 1__eol__1.1.1 机器学习简史 1__eol__1.1.2 机器学习主要流派 3__eol__1.2　人工智能、数据挖掘和机器学习 5__eol__1.2.1 什么是人工智能 5__eol__1.2.2 什么是数据挖掘 6__eol__1.2.3 人工智能、数据挖掘和机器学习的关系 7__eol__1.3　典型机器学习应用领域 7__eol__1.3.1 艺术创作 7__eol__1.3.2 金融领域 8__eol__1.3.3 医疗领域 9__eol__1.3.4 自然语言处理 10__eol__1.3.5 网络安全 12__eol__1.4　机器学习算法分类 14__eol__1.4.1 分类算法 15__eol__1.4.2 关联分析 19__eol__1.4.3 回归分析 19__eol__1.4.4 深度学习 20__eol__1.5　机器学习的一般流程 22__eol__第2章 机器学习的Python常用库 24__eol__2.1　Numpy简介及基础使用 24__eol__2.1.1 Numpy简介 24__eol__2.1.2 Numpy基础使用 27__eol__2.2　Pandas简介及基础使用 31__eol__2.2.1 Pandas简介 31__eol__2.2.2 Pandas自行车数据统计分析 36__eol__2.3　Matplotlib简介及基础使用 42__eol__2.3.1 Matplotlib简介 42__eol__2.3.2 Matplotlib绘图实例 45__eol__2.4　Scikit-Learn简介及基础使用 52__eol__2.4.1 Scikit-Learn安装与简介 52__eol__2.4.2 Scikit-Learn基础使用 56__eol__2.5　波士顿房价预测实验 59__eol__第3章 回归分析与应用 64__eol__3.1　回归分析问题 64__eol__3.1.1 介绍 64__eol__3.1.2 常见回归数据集 66__eol__3.2　线性回归 68__eol__3.2.1 原理与应用场景 68__eol__3.2.2 实现线性回归 70__eol__3.2.3 Python实现最小二乘法拟合直线 71__eol__3.3　岭回归和Lasso回归 72__eol__3.3.1 原理与应用场景 73__eol__3.3.2 实现岭回归 75__eol__3.3.3 实现Lasso回归 76__eol__3.4　逻辑回归 76__eol__3.4.1 原理与应用场景 76__eol__3.4.2 实现逻辑回归 78__eol__第4章 特征工程、降维与超参数调优 80__eol__4.1　特征工程 80__eol__4.1.1 缺失值处理 81__eol__4.1.2 数据的特征值化 87__eol__4.1.3 特征选择 89__eol__4.1.4 特征构建 89__eol__4.2　降维与超参数调优 91__eol__4.2.1 降维 91__eol__4.2.2 实现降维 92__eol__4.2.3 超参数调优 93__eol__第5章 分类算法与应用 97__eol__5.1　分类问题简介 97__eol__5.1.1 分类问题的流程与任务 97__eol__5.1.2 常用的分类数据集 98__eol__5.2　K近邻算法 102__eol__5.2.1 K近邻算法原理与应用场景 102__eol__5.2.2 基于K近邻算法实现分类任务 103__eol__5.2.3 使用Python实现KNN算法 110__eol__5.3　概率模型 111__eol__5.3.1 原理 111__eol__5.3.2 应用场景 111__eol__5.4　朴素贝叶斯分类 112__eol__5.4.1 原理与应用场景 112__eol__5.4.2 朴素贝叶斯算法应用 115__eol__5.5　向量空间模型 115__eol__5.5.1 原理与应用场景 115__eol__5.5.2 向量空间模型应用 116__eol__5.6　支持向量机 120__eol__5.6.1 支持向量机概述 120__eol__5.6.2 支持向量机实现分类 122__eol__5.6.3 支持向量机实现回归 123__eol__5.6.4 支持向量机异常检测 123__eol__5.6.5 过拟合问题 125__eol__5.7　集成学习 129__eol__5.7.1 集成学习概述 129__eol__5.7.2 决策树 131__eol__5.7.3 随机森林 135__eol__5.7.4 Adaboost算法 137__eol__第6章 关联规则 140__eol__6.1　关联规则的概念 140__eol__6.1.1 什么是关联规则 140__eol__6.1.2 关联规则的挖掘过程 141__eol__6.2　Apriori算法 142__eol__6.2.1 Apriori算法概念 142__eol__6.2.2 Apriori算法实现原理 142__eol__6.2.3 实现Apriori算法 144__eol__第7章 聚类算法与应用 148__eol__7.1　无监督学习问题 148__eol__7.1.1 无监督学习 148__eol__7.1.2 聚类分析的基本概念与原理 149__eol__7.1.3 常见聚类数据集 150__eol__7.2　划分聚类 152__eol__7.2.1 划分聚类概述 152__eol__7.2.2 K-Means算法 152__eol__7.2.3 sklearn中K-Means算法聚类的使用 155__eol__7.2.4 使用聚类进行图像压缩 156__eol__7.2.5 Numpy实现K-Means聚类 158__eol__7.3　层次聚类 159__eol__7.3.1 层次聚类算法 159__eol__7.3.2 使用层次聚类算法聚类 161__eol__7.4　密度聚类 162__eol__7.4.1 DBSCAN算法 163__eol__7.4.2 OPTICS算法 167__eol__7.4.3 DENCLUE算法 168__eol__7.5　聚类效果评测 169__eol__第8章 神经网络 172__eol__8.1　神经网络介绍 172__eol__8.1.1 神经元原理 173__eol__8.1.2 前馈神经网络 174__eol__8.1.3 反馈神经网络 175__eol__8.1.4 自组织神经网络 176__eol__8.2　神经网络相关概念 177__eol__8.2.1 激活函数 177__eol__8.2.2 Softmax算法与损失函数 182__eol__8.2.3 梯度下降算法 185__eol__8.2.4 学习率 186__eol__8.2.5 过拟合与欠拟合 187__eol__8.2.6 神经网络模型的评估指标 189__eol__8.3　神经网络识别MNIST手写数据集 190__eol__第9章 文本分析 198__eol__9.1　文本数据处理的相关概念 198__eol__9.2　中英文的文本数据处理方法对比 199__eol__9.2.1 中英文分词与分词粒度 200__eol__9.2.2 中英文的多种形态 200__eol__9.2.3 词性标注方法的差异 201__eol__9.2.4 句法结构分析方法 201__eol__9.3　文本数据处理分析案例 202__eol__9.3.1 使用NLTK进行文本数据分析 202__eol__9.3.2 使用jieba进行文本数据分析 215__eol__9.4　自然语言处理的应用 221__eol__第10章 图像数据分析 226__eol__10.1　图像数据 226__eol__10.2　图像数据分析方法 228__eol__10.3　图像数据分析案例 230__eol__10.3.1 PIL：Python图像处理类库应用示例 230__eol__10.3.2 Numpy图像数据分析示例 235__eol__10.3.3 SciPy图像数据分析示例 238__eol__10.3.4 Scikit-Image 241__eol__10.3.5 OpenCV 246__eol__10.4　计算机视觉的应用 255__eol__10.4.1 图像分类 256__eol__10.4.2 目标检测 257__eol__10.4.3 图像分割 258__eol__10.4.4 风格迁移 260__eol__10.4.5 图像重构 260__eol__10.4.6 超分辨率 261__eol__10.4.7 图像生成 261__eol__10.4.8 人脸图像的应用 262__eol__10.4.9 其他 262__eol__第11章 深度学习入门 263__eol__11.1　深度学习的概述 263__eol__11.2　卷积神经网络 264__eol__11.2.1 卷积神经网络简介 264__eol