數(shù)據(jù)科學：機器學習如何數(shù)據(jù)掘金

第1章　機器“學習” 001 1.1　數(shù)據(jù)科學、人工智能與機器學習 002 1.1.1　數(shù)據(jù)科學與機器學習 002 1.1.2　人工智能≠機器學習≠深度學習 005 1.2　機器學習概述 011 1.2.1　機器學習是什么 011 1.2.2　機器學習學什么 018 1.3　數(shù)據(jù)素養(yǎng) 021 1.3.1　何為數(shù)據(jù)素養(yǎng) 021 1.3.2　數(shù)據(jù)素養(yǎng)的維度劃分 023 第2章　數(shù)據(jù)基礎 025 2.1　先利其器 026 2.2　科學計算 029 2.2.1　向量與矩陣生成 029 2.2.2　向量與矩陣運算 035 2.3　數(shù)據(jù)分析 040 2.3.1　Series與DataFrame 040 2.3.2　文件的導入與處理 044 2.4　數(shù)據(jù)可視 047 2.4.1　基本圖形 047 2.4.2　畫圖點睛 052 第3章　回歸問題 057 3.1　什么是回歸問題 058 3.1.1　回歸分析概述 058 3.1.2　最小二乘法 060 3.2　線性回歸 061 3.2.1　一元線性回歸 061 3.2.2　多元線性回歸 069 3.3　進階：可視化 075 第4章　分類問題 078 4.1　什么是分類問題 079 4.2　近朱者赤近墨者黑的k近鄰 079 4.2.1　k近鄰算法基本原理 079 4.2.2　k近鄰算法實踐 085 4.3　通過熵解決分類的決策樹 087 4.3.1　決策樹與信息熵 087 4.3.2　決策樹案例與實踐 090 4.4　進階：距離 098 第5章　聚類問題 100 5.1　什么是聚類 101 5.2　K均值聚類 103 5.2.1　K均值聚類原理 103 5.2.2　K均值聚類實踐 109 5.3　系統(tǒng)聚類 113 5.3.1　系統(tǒng)聚類原理 113 5.3.2　系統(tǒng)聚類實踐 118 5.4　進階：再談距離 120 第6章　降維問題 122 6.1　什么是降維問題 123 6.2　主成分分析 124 6.2.1　主成分分析原理 124 6.2.2　主成分分析實踐 126 6.3　奇異值分解 131 6.3.1　奇異值分解原理 131 6.3.2　奇異值分解實踐 133 6.4　進階：特征值與特征向量 136 第7章　神經(jīng)網(wǎng)絡 141 7.1　從神經(jīng)元到感知機 142 7.1.1　從生物神經(jīng)元到人工神經(jīng)元 142 7.1.2　從單層感知機到多層感知機 146 7.2　神經(jīng)網(wǎng)絡的運行原理 150 7.2.1　結構概述 150 7.2.2　前向傳播 151 7.2.3　反向傳播 155 7.3　神經(jīng)網(wǎng)絡的參數(shù)說明與實踐 156 7.3.1　參數(shù)與超參數(shù) 156 7.3.2　解決分類與回歸問題 158 7.4　進階：反向傳播推導 163 附錄A　Python基礎 166 A.1　運算符 167 A.1.1　基本算術運算符與數(shù)值型 167 A.1.2　關系運算符、邏輯運算符與布爾型 168 A.2　字符串與數(shù)據(jù)結構 170 A.2.1　字符串 170 A.2.2　列表 171 A.2.3　元組 172 A.2.4　字典 173 A.3　控制結構 174 A.3.1　if語句 174 A.3.2　while語句 175 A.3.3　for語句 176 A.3.4　多重循環(huán) 177 A.4　定義函數(shù) 178 附錄B　導數(shù)與代數(shù)基礎 179 B.1　導數(shù) 180 B.2　向量 183 B.3　矩陣 189 附錄C　騰訊扣叮Python實驗室：Jupyter Lab使用說明 196