【章名目录】
第1章　机器学习基础
第2章　机器学习基本方法　
第3章　决策树与集成学习　
第4章　聚类分析　
第5章　文本分析　
第6章　神经网络　
第7章　贝叶斯网络　
第8章　支持向量机　
第9章　分布式机器学习　
第10章 推荐系统　
第11章 强化学习　
实验1　二手车价格预测　
实验2　基于强化学习的倒立摆实验　
实验3　超市销售数据分析　

【详细目录】
第1章　机器学习基础　1
1.1　机器学习概述　2
1.1.1　机器学习简史　2
1.1.2　机器学习主要流派　4
1.2　人工智能、机器学习和数据挖掘　5
1.2.1　什么是人工智能　5
1.2.2　什么是数据挖掘　6
1.2.3　机器学习和人工智能、数据挖掘的关系　6
1.3　机器学习的典型应用领域　7
1.4　机器学习算法　12
1.5　机器学习的流程　17
习题　19
第2章　机器学习基本方法　20
2.1　统计分析　21
2.1.1　统计基础　21
2.1.2　常见概率分布　26
2.1.3　参数估计　27
2.1.4　假设检验　29
2.1.5　线性回归　29
2.1.6　逻辑回归　33
2.1.7　判别分析　35
2.1.8　非线性模型　36
2.2　高维数据降维　37
2.2.1　主成分分析　37
2.2.2　奇异值分解 39
2.2.3　线性判别分析 40
2.2.4　局部线性嵌入 43
2.2.5　拉普拉斯特征映射 44
2.3　特征工程 45
2.3.1　特征构造 45
2.3.2　特征选择 46
2.3.3　特征提取 47
2.4　模型训练 47
2.4.1　模型训练常见术语 47
2.4.2　训练数据的收集　48
2.5　可视化分析　49
2.5.1　可视化分析的作用　49
2.5.2　可视化分析的基本流程　49
2.5.3　可视化分析方法　50
2.5.4　可视化分析常用工具　51
2.5.5　常见的可视化图表　52
2.5.6　可视化分析面临的挑战　61
习题　61
第3章　决策树与集成学习　63
3.1　决策树　64
3.1.1　分支处理　65
3.1.2　连续属性离散化　71
3.1.3　过拟合问题　72
3.1.4　分类性能评价　75
3.2　集成学习　79
3.2.1　装袋法 79
3.2.2　自适应提升法　80
3.2.3　GBDT算法　82
3.2.4　XGBoost算法　85
3.2.5　随机森林算法　88
习题　90
第4章　聚类分析　91
4.1　聚类分析概述　92
4.1.1　聚类算法分类 92
4.1.2　良好聚类算法的特征　93
4.2　聚类分析的度量指标　93
4.2.1　外部指标　94
4.2.2　内部指标　94
4.3　基于划分的聚类　96
4.3.1　k均值算法　96
4.3.2　k-medoids算法　101
4.3.3　k-prototypes算法　101
4.4　基于密度的聚类　102
4.4.1　DBSCAN算法　102
4.4.2　OPTICS算法　104
4.5　基于层次的聚类　105
4.5.1　BIRCH算法　105
4.5.2　CURE算法　108
4.6　基于网格的聚类　110
4.7　基于模型的聚类　110
4.7.1　基于概率模型的聚类　110
4.7.2　模糊聚类　116
4.7.3　基于Kohonen神经网络模型的聚类　116
习题　118
第5章　文本分析　119
5.1　文本分析概述　120
5.2　文本特征提取和表示 120
5.2.1　TF-IDF算法　120
5.2.2　信息增益　121
5.2.3　互信息　122
5.2.4　卡方统计量　122
5.2.5　词嵌入　123
5.2.6　语言模型　124
5.2.7　向量空间模型　125
5.3　知识图谱　127
5.3.1　知识图谱相关概念　127
5.3.2　知识图谱的存储　128
5.3.3　知识图谱的挖掘与计算　129
5.3.4　知识图谱的构建过程　130
5.4　词法分析　134
5.4.1　文本分词　134
5.4.2　命名实体识别　136
5.4.3　词义消歧　137
5.5　句法分析　137
5.6　语义分析　139
5.7　文本分析应用　140
5.7.1　文本分类　140
5.7.2　信息抽取　142
5.7.3　问答系统　143
5.7.4　情感分析　144
5.7.5　自动文摘生成　145
习题　146
第6章　神经网络　147
6.1　神经网络概述　148
6.1.1　前馈神经网络　148
6.1.2　反馈神经网络　153
6.1.3　自组织神经网络　155
6.2　神经网络相关概念　156
6.2.1　激活函数　156
6.2.2　损失函数　165
6.2.3　学习率　169
6.2.4　过拟合与正则化　172
6.2.5　数据预处理　174
6.2.6　训练方式　175
6.2.7　神经网络模型训练中的问题　176
6.2.8 网络模型效果评价　180
6.3 神经网络应用　180
习题　182
第7章　贝叶斯网络　183
7.1　贝叶斯定理　184
7.2　朴素贝叶斯分类器　184
7.3　贝叶斯网络推理　187
7.4　贝叶斯网络的应用　193
7.4.1　中文分词　193
7.4.2　机器翻译　193
7.4.3　故障诊断　193
7.4.4　疾病诊断　194
习题　196
第8章　支持向量机　197
8.1　线性可分SVM　198
8.1.1　间隔与超平面　198
8.1.2　支持向量　198
8.1.3　对偶问题求解　200
8.1.4　软间隔　201
8.2　非线性可分SVM　202
8.2.1　非线性可分SVM原理　202
8.2.2　常见核函数　202
8.3　SVM应用　203
习题　206
第9章　分布式机器学习　207
9.1　分布式机器学习基础　208
9.2　分布式机器学习框架　208
9.3　并行决策树算法　213
9.4　并行k均值算法　214
习题　216
第10章 推荐系统　217
10.1　推荐系统概述　218
10.1.1　推荐系统的应用场景　218
10.1.2　相似度计算　219
10.2 推荐系统通用模型　221
10.2.1　推荐系统结构　221
10.2.2　基于人口统计学的推荐　221
10.2.3　基于内容的推荐　221
10.2.4　基于协同过滤的推荐　222
10.2.5　基于图的推荐　225
10.2.6　基于关联规则的推荐　226
10.2.7　基于知识的推荐　232
10.2.8　基于标签的推荐　233
10.3　推荐系统评测　234
10.3.1　评测方法　234
10.3.2　评测指标　235
10.4　推荐系统常见问题　238
10.5　推荐系统实例　241
10.6　深度学习在推荐系统中的应用　249
习题　252
第11章 强化学习　253
11.1　强化学习概述　254
11.2 　强化学习基础　254
11.2.1　马尔可夫链　254
11.2.2　强化学习基本概念　255
11.2.3　强化学习的目标函数　257
11.2.4　价值函数　257
11.3　强化学习基本算法　261
11.3.1　蒙特卡洛强化学习算法　261
11.3.2　时序差分算法　262
11.3.3　SARSA算法　262
11.3.4　Q-Learning算法　264
11.4　深度强化学习　269
11.4.1　DQN算法　270
11.4.2　DDQN算法　275
11.4.3　Dueling DQN算法　275
11.4.4　基于策略的强化学习　276
11.4.5　演员-评论家算法　278
11.4.6　A2C算法　284
11.4.7　A3C算法　286
11.4.8　TRPO算法　287
11.4.9　PPO算法　289
习题　293
实验1　二手车价格预测　294
实验2　基于强化学习的倒立摆实验　309
实验3　超市销售数据分析　319