目 录__eol__第1章 机器学习的概念及应用 1__eol__1.1 机器学习的发展与应用 1__eol__1.1.1 机器学习的发展历程 1__eol__1.1.2 机器学习的应用 3__eol__1.2 机器学习的概念 4__eol__1.2.1 机器学习的特点 5__eol__1.2.2 机器学习的要素 6__eol__1.2.3 机器学习系统的结构 8__eol__1.3 机器学习分类 10__eol__1.3.1 映射函数与样本 10__eol__1.3.2 监督学习 11__eol__1.3.3 无监督学习 13__eol__1.3.4 强化学习 15__eol__1.4 深度学习 16__eol__1.4.1 机器学习的困境 16__eol__1.4.2 深度学习机制 17__eol__习题1 20__eol__第2章 数学基础 21__eol__2.1 导数与极值 21__eol__2.1.1 导数及求导法则 21__eol__2.1.2 函数的单调性、凹凸性与极值 22__eol__2.1.3 偏导数与梯度 24__eol__2.1.4 多元函数的极值 25__eol__2.2 向量与矩阵 27__eol__2.2.1 矩阵及其性质 27__eol__2.2.2 矩阵的基本运算 29__eol__2.2.3 向量组与线性相关性 31__eol__2.2.4 正交向量与相似矩阵 34__eol__2.3 概率统计 36__eol__2.3.1 随机事件与概率 36__eol__2.3.2 条件概率与贝叶斯公式 37__eol__2.3.3 随机变量的概率分布 39__eol__2.3.4 随机变量的数字特征 43__eol__2.3.5 中心极限定理 45__eol__2.3.6 极大似然估计 46__eol__2.4 凸优化 48__eol__习题2 52__eol__第3章 Python程序设计 56__eol__3.1 Python程序的编辑与运行 56__eol__3.2 数据与表达式 60__eol__3.2.1 常量 60__eol__3.2.2 变量 62__eol__3.2.3 数据的输入输出 63__eol__3.2.4 常用函数 65__eol__3.2.5 运算符与表达式 67__eol__3.3 序列和字典 69__eol__3.3.1 字符串 69__eol__3.3.2 列表 72__eol__3.3.3 元组 73__eol__3.3.4 字典 74__eol__3.4 程序的控制结构 76__eol__3.4.1 分支语句 76__eol__3.4.2 while语句 77__eol__3.4.3 for语句 78__eol__3.4.4 用户自定义函数 80__eol__3.4.5 模块 81__eol__3.5 类和对象 83__eol__3.5.1 类的定义和使用 83__eol__3.5.2 面向对象程序设计方式 86__eol__3.5.3 类的继承性 87__eol__3.5.4 异常处理 89__eol__习题3 91__eol__第4章 线性回归及其程序实现 96__eol__4.1 线性回归的概念 96__eol__4.1.1 线性回归的源流 96__eol__4.1.2 监督学习与线性回归 97__eol__4.2 线性回归模型 99__eol__4.2.1 一元线性回归模型 99__eol__4.2.2 多元线性回归模型 103__eol__4.2.3 模型的泛化与优劣 106__eol__4.3 数据拟合与可视化操作 108__eol__4.3.1 NumPy多维数组操作 108__eol__4.3.2 Matplotlib数据可视化操作 110__eol__4.3.3 SciPy数据拟合操作 114__eol__4.4 最小二乘法线性回归程序 118__eol__4.4.1 最小二乘法与一元线性回归 118__eol__4.4.2 一元线性回归程序 120__eol__4.5 梯度下降法及其程序 122__eol__习题4 125__eol__第5章 逻辑回归及多分类 127__eol__5.1 逻辑回归的概念与模型 127__eol__5.1.1 Logistic函数 127__eol__5.1.2 线性分类问题 129__eol__5.1.3 逻辑回归模型 131__eol__5.2 逻辑回归计算 134__eol__5.2.1 逻辑回归模型的预测函数 134__eol__5.2.2 逻辑回归模型的极大似然估计 135__eol__5.2.3 逻辑回归模型的参数求解 136__eol__5.3 逻辑回归与朴素贝叶斯分类 139__eol__5.4 多分类策略 143__eol__5.5 Softmax回归 145__eol__5.5.1 广义线性模型 145__eol__5.5.2 Softmax回归模型 148__eol__习题5 150__eol__第6章 分类与聚类 152__eol__6.1 决策树 152__eol__6.1.1 决策树与决策过程 152__eol__6.1.2 信息熵与信息增益 154__eol__6.1.3 决策树的构造 157__eol__6.1.4 寻找最佳分裂 162__eol__6.1.5 决策树训练的主要问题及流程 165__eol__6.2 支持向量机 167__eol__6.2.1 支持向量机基本原理 167__eol__6.2.2 支持向量机实现鸢尾花分类 171__eol__6.3 聚类算法 173__eol__6.3.1 距离计算与聚类评价 173__eol__6.3.2 K-均值聚类算法 175__eol__习题6 177__eol__第7章 基于神经网络的机器学习 179__eol__7.1 神经网络与人工神经网络 179__eol__7.2 感知机 182__eol__7.2.1 人工神经元与感知机 182__eol__7.2.2 感知机训练算法 185__eol__7.2.3 感知机训练实例 187__eol__7.2.4 感知机训练与预测程序 189__eol__7.2.5 线性可分性与多层感知机 190__eol__7.3 BP算法 193__eol__7.3.1 多层神经网络的结构 193__eol__7.3.2 多层神经网络的参数调整 194__eol__7.3.3 BP算法及评价 196__eol__7.4 卷积的概念及运算 198__eol__7.4.1 卷积的概念 199__eol__7.4.2 二维互相关运算 201__eol__7.4.3 二维卷积运算程序 204__eol__7.5 卷积神经网络 205__eol__7.5.1 卷积神经网络的特点 206__eol__7.5.2 多通道卷积及常用卷积核 209__eol__7.5.3 卷积神经网络的结构 213__eol__7.6 卷积神经网络实例 215__eol__习题7 218__eol__附录A 机器学习名词中英文对照 220__eol__参考文献 230