人工智能與機器學習

目錄
第1章人工智能簡介
11什么是人工智能
12人工智能簡史（1956年以前）
13人工智能簡史（1956—1980年）
14人工智能簡史（1980—2010年）
15人工智能簡史（2010年至今）
第2章機器學習簡介
21什么是機器學習
22機器學習分類
第3章Python簡介
31環(huán)境配置
32Python基礎(chǔ)編程
33Numpy
34Matplotlib
35Pandas
第4章K近鄰
41什么是K近鄰
42如何度量距離或者相似性
43數(shù)據(jù)縮放
44選擇合適的K值
45Scikitlearn KNN分類器介紹
46案例一：鳶尾花分類
第5章模型選擇
51偏差與方差
52訓練集與測試集
53交叉驗證
54案例二：鳶尾花分類（案例一續(xù)）
第6章線性回歸
61什么是線性回歸
62損失函數(shù)
63增加多項式特征
64正則化
65超參數(shù)調(diào)優(yōu)
66案例三：波士頓房價預測
第7章邏輯回歸
71什么是邏輯回歸
72決策邊界
73損失函數(shù)
74線性回歸和邏輯回歸的異同
75多分類
76案例四：泰坦尼克號乘客生還預測
第8章分類評價指標
81混淆矩陣
82查準率與查全率、F1分數(shù)
83ROC曲線和AUC
84多分類評價指標
85案例五：泰坦尼克號乘客生還預測（案例四續(xù)）
第9章樸素貝葉斯
91貝葉斯定理
92樸素貝葉斯分類器
93不同的樸素貝葉斯模型
94文本分類
95案例六：垃圾郵件識別
第10章支持向量機
101什么是支持向量機
102核函數(shù)
103支持向量機的參數(shù)優(yōu)化
104案例七：垃圾郵件識別（案例六續(xù)）
105總結(jié)
第11章決策樹
111什么是決策樹
112構(gòu)建決策樹
113修剪決策樹
114決策樹的優(yōu)缺點和使用方法
115案例八：泰坦尼克號乘客生還預測
第12章集成學習
121袋裝
122提升
123堆疊
124案例九：泰坦尼克號乘客生還預測（案例八續(xù)）
第13章聚類
131什么是聚類
132Kmeans算法
133聚類結(jié)果的評價
134不同的距離指標
135聚合式層次聚類
136案例十：商場客戶聚類
第14章深度學習
141深度學習發(fā)展簡史
142多層感知器
143損失函數(shù)
144優(yōu)化算法：反向傳播算法
145案例十一：手寫數(shù)字識別
146深度學習技巧
147卷積神經(jīng)網(wǎng)絡(luò)
148案例十二：圖像識別
第15章Kaggle競賽
151Kaggle平臺簡介
152Kaggle競賽簡介
153Kaggle競賽案例分析：泰坦尼克號乘客生還預測