第1章?人工智能及机器学习概述__eol__1.1?人工智能概述__eol__1.1.1?人工智能简史__eol__1.1.2?人工智能是什么__eol__1.1.3?人工智能的能力__eol__1.2?机器学习概述__eol__1.2.1?机器学习是什么__eol__1.2.2?机器学习的任务__eol__1.2.3?学习任务__eol__1.2.4?机器学习要解决的基本问题__eol__1.2.5?机器学习如何优化模型__eol__1.2.6?机器学习工作流程__eol__1.2.7?需要的知识__eol__1.3?深度学习概述__eol__1.4?机器学习与统计学__eol__1.5?课后练习__eol__第2章?机器学习基础知识__eol__2.1?数学基础__eol__2.1.1?数据的分类__eol__2.1.2?基本统计学术语__eol__2.1.3?回归__eol__2.1.4?最小二乘法__eol__2.1.5?判断拟合好坏__eol__2.1.6?小结__eol__2.2?读图__eol__2.2.1?数值数据的分布__eol__2.2.2?分类数据的分布__eol__2.3?KNIME__eol__2.3.1?KNIME 简介__eol__2.3.2?下载和安装__eol__2.3.3?KNIME基本使用__eol__2.3.4?小结__eol__2.4?课后练习__eol__第3章?线性回归__eol__3.1?简单线性回归__eol__3.1.1?场景说明__eol__3.1.2?KNIME 建立工作流__eol__3.1.3?数据获取__eol__3.1.4?观察数据__eol__3.1.5?数据集划分__eol__3.1.6?模型训练__eol__3.1.7?模型测试__eol__3.1.8?损失函数__eol__3.2?多元线性回归初步__eol__3.2.1?任务及数据说明__eol__3.2.2?建立基准工作流__eol__3.2.3?读取并观察数据__eol__3.2.4?整合界面__eol__3.3?多元线性回归进阶__eol__3.3.1?优化模型__eol__3.3.2?“Forward Feature Selection” Metanode详细介绍__eol__3.3.3?模型解释__eol__3.3.4?特征归一化__eol__3.3.5?使用 KNIME实现归一化__eol__3.3.6?相关系数__eol__3.4?课后练习__eol__第4章?逻辑回归__eol__4.1?逻辑回归基本概念__eol__4.1.1?分类问题__eol__4.1.2?从线性回归到逻辑回归__eol__4.1.3?判定边界__eol__4.1.4?KNIME工作流__eol__4.1.5?读取数据__eol__4.1.6?数据处理__eol__4.1.7?模型训练及测试__eol__4.1.8?模型评价__eol__4.2?逻辑回归实战__eol__4.2.1?泰坦尼克号生存问题背景介绍__eol__4.2.2??读取数据__eol__4.2.3?数据预处理__eol__4.2.4?数据可视化及删除无关列__eol__4.2.5?模型训练和测试__eol__4.2.6?模型评价__eol__4.2.7?模型解释__eol__4.3?课后练习__eol__第5章?模型优化__eol__5.1?梯度下降__eol__5.1.1?损失函数__eol__5.1.2?使用 KNIME 优化模型__eol__5.2?正则化__eol__5.2.1?准确性和健壮性__eol__5.2.2?复杂的模型__eol__5.2.3?欠拟合和过拟合__eol__5.2.4?正则化防止过拟合__eol__5.2.5?使用 KNIME 设置正则化__eol__5.3?模型评价__eol__5.3.1?混淆矩阵__eol__5.3.2?F1分数__eol__5.3.3?ROC曲线和 AUC__eol__5.4?课后练习__eol__第6章?支持向量机__eol__6.1?支持向量机基本概念__eol__6.1.1?支持向量机是什么__eol__6.1.2?支持向量是什么__eol__6.1.3?逻辑回归与支持向量机的比较__eol__6.1.4??核__eol__6.1.5?线性核模型调参__eol__6.1.6?非线性核模型调参__eol__6.1.7?C 与 γ__eol__6.2?SVM初战__eol__6.2.1?问题说明__eol__6.2.2?建立工作流__eol__6.2.3?数据观察__eol__6.2.4?模型训练与测试__eol__6.2.5?观察结果__eol__6.3?支持向量机解决泰坦尼克号问题__eol__6.3.1?归一化__eol__6.3.2?核函数__eol__6.3.3?建立工作流__eol__6.3.4?模型调参__eol__6.4?课后练习__eol__第7章?树类算法__eol__7.1?决策树简介__eol__7.1.1?决策树的特点__eol__7.1.2?防止过拟合__eol__7.1.3?问题解析__eol__7.1.4?奥卡姆剃刀__eol__7.1.5?提前结束__eol__7.1.6?集成学习__eol__7.2?使用决策树解决泰坦尼克号生存问题__eol__7.3?决策树高级应用实战?—?特征工程__eol__7.3.1?探索性数据分析__eol__7.3.2?特征工程__eol__7.3.3?异常数据处理__eol__7.4?决策树高级应用实战?—?模型建立与比较__eol__7.4.1?决策树__eol__7.4.2?袋装__eol__7.4.3?随机森林__eol__7.4.4?提升__eol__7.5?课后练习__eol__第8章?深入理解决策树__eol__8.1?决策树进阶__eol__8.1.1?如何构建决策树__eol__8.1.2?ID3 算法决定什么是最好的__eol__8.1.3?CART 算法决定什么最好__eol__8.1.4?KNIME 设置__eol__8.2?数据不平衡问题优化__eol__8.2.1?对多数数据降采样__eol__8.2.2?对少数数据过采样__eol__8.2.3?SMOTE 算法__eol__8.3?课后练习__eol__第9章?贝叶斯分析__eol__9.1?贝叶斯定理__eol__9.1.1?基本术语__eol__9.1.2?条件概率__eol__9.1.3?全概率公式__eol__9.1.4?贝叶斯定理__eol__9.1.5?试水情感分析__eol__9.2?贝叶斯算法解决银行客户分类问题__eol__9.2.1?工作流__eol__9.2.2?贝叶斯算法的学习器节点__eol__9.3?情感分析案例__eol__9.3.1?安装插件__eol__9.3.2?建立工作流__eol__9.4?课后练习__eol__第10章?计算机视觉与自然语言处理__eol__10.1?深度学习简介__eol__10.1.1?深度学习的关键__eol__10.1.2?我们的目标__eol__10.1.3?深度学习原理概述__eol__10.2?计算机视觉著名的卷积神经网络__eol__10.2.1?LeNet-5__eol__10.2.2?AlexNet__eol__10.2.3?VggNet__eol__10.2.4?GoogLeNet__eol__10.2.5?ResNet__eol__10.3?KNIME 实现卷积神经网络__eol__10.3.1?环境构建__eol__10.3.2?安装所需的工具__eol__10.3.3?步骤分析__eol__10.4?自然语言处理__eol__10.4.1?自然语言怎么数字化__eol__10.4.2?知识准备：特征提取__eol__10.5?KNIME实现自然语言处理__eol__10.5.1?初步体验__eol__10.5.2?步骤分析__eol__10.6?大语言模型__eol__10.6.1?KNIME AI助手__eol__10.6.2?KNIME AI 插件__eol__10.7?课后练习__eol__ 参考文献__eol__