第一部分 环境基础教学__eol__第1章 实验环境搭建 3__eol__1.1 Anaconda的安装 3__eol__1.2 PyCharm的安装与使用 7__eol__1.3 包的安装 10__eol__1.3.1 pip的安装与使用 10__eol__1.3.2 NumPy的安装 11__eol__1.3.3 Matplotlib的安装 11__eol__1.3.4 Pandas的安装 12__eol__1.4 框架搭建 13__eol__1.4.1 PyTorch-CPU的安装 13__eol__1.4.2 TensorFlow-CPU的安装 15__eol__1.5 本章小结 18__eol__1.6 本章习题 18__eol__第2章 Python编程语言基础 19__eol__2.1 基础语法 19__eol__2.1.1 输入/输出函数 20__eol__2.1.2 标识符和关键字 22__eol__2.1.3 变量、数据类型及注释 23__eol__2.1.4 运算符 25__eol__2.2 基本程序设计方法 27__eol__2.2.1 函数 28__eol__2.2.2 分支结构 31__eol__2.2.3 循环 33__eol__2.3 编程进阶 36__eol__2.3.1 列表 37__eol__2.3.2 字典 40__eol__2.3.3 文件操作 43__eol__2.4 本章小结 46__eol__2.5 本章习题 47__eol__第二部分 机器学习__eol__第3章 机器学习基础 51__eol__3.1 基本概念 51__eol__3.2 机器学习的三要素 52__eol__3.2.1 模型 52__eol__3.2.2 学习策略 53__eol__3.2.3 优化准则 54__eol__3.3 评估方法 55__eol__3.3.1 数据集划分方法 56__eol__3.3.2 性能度量 56__eol__3.4 本章小结 58__eol__3.5 本章习题 59__eol__第4章 K近邻算法 60__eol__4.1 算法概述 60__eol__4.1.1 基本概念 60__eol__4.1.2 距离计算函数 61__eol__4.2 实验数据 61__eol__4.2.1 准备数据 62__eol__4.2.2 分析数据 62__eol__4.2.3 处理数据 63__eol__4.3 算法实战 64__eol__4.3.1 KNN算法实现 64__eol__4.3.2 预测测试集并计算准确率 65__eol__4.3.3 结果分析 65__eol__4.4 本章小结 66__eol__4.5 本章习题 66__eol__第5章 决策树算法 67__eol__5.1 算法概述 68__eol__5.1.1 基本概念 68__eol__5.1.2 特征选择 69__eol__5.1.3 决策树的生成 71__eol__5.1.4 决策树的剪枝 72__eol__5.1.5 决策树的存储 72__eol__5.1.6 决策树的可视化 72__eol__5.2 实验数据 72__eol__5.2.1 数据集介绍 73__eol__5.2.2 导入数据集 73__eol__5.2.3 划分训练集和测试集 74__eol__5.3 算法实战 75__eol__5.3.1 计算香农熵 75__eol__5.3.2 数据集最佳划分函数 76__eol__5.3.3 按照给定列划分数据集 76__eol__5.3.4 递归构建决策树 77__eol__5.3.5 利用训练集生成决策树 78__eol__5.3.6 保存决策树 78__eol__5.3.7 预测测试集并计算准确率 78__eol__5.3.8 绘制决策树 79__eol__5.4 本章小结 81__eol__5.5 本章习题 81__eol__第6章 朴素贝叶斯算法 82__eol__6.1 算法概述 83__eol__6.1.1 基本概念 83__eol__6.1.2 贝叶斯算法的原理 84__eol__6.1.3 朴素贝叶斯算法的类型 85__eol__6.2 实验数据 85__eol__6.2.1 准备数据 85__eol__6.2.2 分析数据 87__eol__6.2.3 处理数据 89__eol__6.3 算法实战 92__eol__6.3.1 算法构建 92__eol__6.3.2 训练测试数据 93__eol__6.3.3 结果分析 93__eol__6.4 本章小结 93__eol__6.5 本章习题 94__eol__第7章 Logistic回归 95__eol__7.1 Logistic回归概述 95__eol__7.1.1 基本概念 95__eol__7.1.2 Logistic回归算法 96__eol__7.1.3 梯度下降法 99__eol__7.2 Logistic回归实战 101__eol__7.2.1 准备数据 102__eol__7.2.2 分析数据 102__eol__7.2.3 处理数据 103__eol__7.3 算法实战 104__eol__7.3.1 算法构建 104__eol__7.3.2 定义分类函数 106__eol__7.3.3 预测测试集并计算准确率 106__eol__7.3.4 结果分析 107__eol__7.4 本章小结 108__eol__7.5 本章习题 108__eol__第8章 支持向量机 109__eol__8.1 支持向量机算法思想 109__eol__8.1.1 算法原理 109__eol__8.1.2 算法流程 111__eol__8.1.3 SMO算法 117__eol__8.2 实验数据 119__eol__8.2.1 准备数据 119__eol__8.2.2 分析数据 120__eol__8.2.3 处理数据 122__eol__8.3 算法实战 124__eol__8.3.1 算法构建 124__eol__8.3.2 训练测试数据 127__eol__8.3.3 结果分析 128__eol__8.4 本章小结 129__eol__8.5 本章习题 129__eol__第9章 随机森林算法 130__eol__9.1 算法概述 131__eol__9.1.1 集成学习概述 131__eol__9.1.2 随机森林算法概述 132__eol__9.2 实验数据 134__eol__9.2.1 准备数据 135__eol__9.2.2 分析数据 135__eol__9.2.3 处理数据 137__eol__9.3 算法实战 138__eol__9.3.1 创建随机森林分类器 138__eol__9.3.2 创建修改参数的随机森林 139__eol__9.3.3 使用随机森林模型找重要特征 140__eol__9.3.4 可视化特征分数 140__eol__9.3.5 在选定的特征上建立随机森林模型 141__eol__9.4 本章小结 142__eol__9.5 本章习题 142__eol__第10章 AdaBoost算法 143__eol__10.1 算法概述 143__eol__10.1.1 Boosting算法概述 143__eol__10.1.2 AdaBoost算法概述 145__eol__10.2 实验数据 146__eol__10.2.1 准备数据 146__eol__10.2.2 处理数据 147__eol__10.3 算法实战 147__eol__10.3.1 算法构建 147__eol__10.3.2 训练测试数据 152__eol__10.3.3 结果分析 152__eol__10.4 本章小结 153__eol__10.5 本章习题 153__eol__第11章 Apriori算法 154__eol__11.1 算法概述 154__eol__11.1.1 关联分析 154__eol__11.1.2 Apriori算法的思想 155__eol__11.2 实验数据 158__eol__11.2.1 准备数据 158__eol__11.2.2 分析数据 158__eol__11.2.3 处理数据 159__eol__11.3 算法实战 160__eol__11.3.1 算法构建 160__eol__11.3.2 训练测试数据 163__eol__11.3.3 结果分析 163__eol__11.4 本章小结 163__eol__11.5 本章习题 164__eol__第三部分 深度学习__eol__第12章 深度学习基础 167__eol__12.1 基础知识 167__eol__12.1.1 框架介绍 167__eol__12.1.2 PyTorch基础语法 170__eol__12.2 神经网络基础 172__eol__12.2.1 神经元 172__eol__12.2.2 激活函数概述 174__eol__12.2.3 常见的激活函数 176__eol__12.3 前馈神经网络和反馈神