Python机器学习：原理与实践

第1章 机器学习与Python 概述
1.1 机器学习与人工智能1.1.1 符号主义人工智能
1.1.2 基于机器学习的人工智能
1.2 机器学习能做什么
1.2.1 机器学习的学习对象: 数据集
1.2.2 机器学习的任务
1.3 Python 实践课: 初识Python
1.3.1 实践一: Python 和Anaconda
1.3.2 实践二: Python 第三方包的引用
1.3.3 实践三: 学习Python 的NumPy 包
1.3.4 实践四: 学习Python 的Pandas 包
1.3.5 实践五: 学习Python 的Matplotlib 包
1.3.6 实践六: 了解Python 的Scikit-learn 包
附录
第2章数据预测中的相关问题
2.1 数据预测与预测建模
2.1.1 预测模型
2.1.2 预测模型的几何理解
2.1.3 预测模型参数估计的基本策略
2.2 预测模型的评价
2.2.1 模型误差的评价指标
2.2.2 模型的图形化评价工具
2.2.3 泛化误差的估计方法
2.2.4 数据集的划分策略
2.3 预测模型的选择问题
2.3.1 几个重要观点
2.3.2 模型过拟合
2.3.3 预测模型的偏差和方差
2.4 Python 实践课: 加深理论理解，探索应用实践
2.4.1 实践一: 预测模型中的一般线性回归模型和Logistic 回归模型
2.4.2 实践二: 预测模型的评价指标和图形化评价工具
2.4.3 实践三: 不同复杂度模型下的训练误差和测试误差
2.4.4 实践四: 数据集划分以及测试误差估计
2.4.5 实践五: 模型的过拟合以及偏差和方差
附录
第3章 数据预测建模: 贝叶斯分类器
3.1 贝叶斯概率和贝叶斯法则
3.1.1 贝叶斯概率
3.1.2 贝叶斯法则
3.2 贝叶斯和朴素贝叶斯分类器
3.2.1 贝叶斯和朴素贝叶斯分类器的一般内容
3.2.2 贝叶斯分类器的先验分布
3.3 贝叶斯分类器的分类边界
3.4 Python 实践课: 加深理论理解，探索应用实践
3.4.1 实践一: 探索不同参数下的贝塔分布特点
3.4.2 实践二: 绘制贝叶斯分类器的分类边界
3.4.3 实践三: 二分类的空气污染预测
3.4.4 实践四: 多分类的文本分类预测
附录
第4章 数据预测建模: 近邻分析
4.1 近邻分析: K-近邻法
4.1.1 距离: K-近邻法的近邻度量
4.1.2 参数K: 1-近邻法还是K-近邻法
4.2 基于观测相似性的加权K-近邻法
4.2.1 加权K-近邻法的权重
4.2.2 加权K-近邻法的预测
4.2.3 加权K-近邻法的分类边界
4.3 K-近邻法的适用性
4.4 Python 实践课: 加深理论理解，探索应用实践
4.4.1 实践一: K-近邻法不同参数K下的分类边界
4.4.2 实践二: 探讨加权K-近邻法中不同核函数的特点
4.4.3 实践三: 加权K{近邻法不同参数和加权策略下的分类边界
4.4.4 实践三: 空气质量等级预测中的*参数K
4.4.5 K-近邻法的回归预测问题
附录
第5章 数据预测建模: 决策树
5.1 决策树的核心问题
5.1.1 什么是决策树
5.1.2 分类树的分类边界
5.1.3 回归树的回归平面
5.1.4 决策树的生长和剪枝
5.2 分类回归树的生长
5.2.1 分类树中的异质性度量
5.2.2 回归树中的异质性度量
5.3 分类回归树的剪枝
5.3.1 代价复杂度和*小代价复杂度
5.3.2 分类回归树的剪枝过程
5.4 Python 实践课: 加深理论理解，探索应用实践
5.4.1 实践一: 回归树的回归面
5.4.2 实践二: 不同树深度下分类树的分类边界
5.4.3 实践三: 分类树中的基尼系数和熵
5.4.4 实践四: 空气质量等级的分类预测
5.4.5 实践五: 回归树和过拟合
附录
第6章 数据预测建模: 集成学习
6.1 集成学习的一般问题
6.1.1 集成学习: 解决高方差问题
6.1.2 集成学习: 从弱模型到强模型
6.2 基于重抽样自举法的集成学习
6.