零基礎入門機器學習——從機器模型到Web應用集成實踐

李魯群，教授，博士，上海師範大學計算機碩士點學科負責人，從事計算機網絡理論與應用、機器學習教學與研究。上海市高校教指委委員、上海市計算機協會物聯網分會委員。近年來，完成教育部產學研協同育人項目12項、上海市教委重點項目3項、上海師範大學教學成果一等獎2項、上海市教學成果二等獎1項、上海市科技進步二等獎2項。主編《Python與數據分析及可視化》、《Android應用程序設計》教材2部。

 

目錄

 

 

下載源碼

 

 

第1章緒論

 

1.1什麼是機器學習

 

1.2機器學習與傳統程序設計

 

1.2.1傳統程序設計

 

1.2.2機器學習程序設計

 

1.2.3機器學習與人工智能

 

1.2.4機器學習的優勢

 

1.3機器學習的應用領域

 

1.3.1預測和分類

 

1.3.2聚類和分組

 

1.3.3自然語言處理

 

1.4機器學習的發展趨勢

 

1.4.1深度學習

 

1.4.2強化學習

 

1.4.3自動化機器學習

 

1.4.4邊緣計算學習

 

1.4.5數據隱私和安全

 

1.5機器學習的人才需求

 

1.6本書的知識體系

 

1.6.1本書的結構

 

1.6.2本書的讀者

 

1.7本章小結

 

1.8習題

 

1.8.1選擇題

 

1.8.2問答題

 

第2章Python基礎

 

2.1Python基礎簡介

 

2.1.1Python簡介

 

2.1.2Python系統的安裝

 

2.1.3第三方模塊的安裝

 

2.1.4集成開發環境的安裝

 

2.1.5本書教學工具的安裝

 

2.2程序設計的基本概念

 

2.2.1問題任務描述

 

2.2.2程序的組成要素

 

2.2.3程序的標識符

 

2.2.4程序中的變量

 

2.2.5系統的關鍵詞

 

2.3Python的數據類型

 

2.3.1數字類型

 

2.3.2序列類型

 

2.3.3集合類型

 

2.3.4字典類型

 

2.4程序流控制

 

2.4.1條件語句(ifelifelse)

 

2.4.2循環語句(for)

 

2.4.3循環語句(while)

 

2.4.4循環控制語句（break、continue）

 

2.5函數

 

2.5.1內部函數

 

2.5.2自定義函數

 

2.5.3函數的調用

 

2.6數據處理與分析——Pandas

 

2.6.1Pandas

 

2.6.2Series

 

2.6.3DataFrame

 

2.6.4基本操作

 

2.6.5數據的導入和導出

 

2.6.6數據的清洗和處理

 

2.6.7數據可視化

 

2.7數據可視化——Matplotlib

 

2.7.1基本繪圖

 

2.7.2自定義圖形

 

2.7.3繪制圖形

 

2.7.4保存圖表

 

2.8本章小結

 

2.9習題

 

2.9.1選擇題

 

2.9.2編程題

 

第3章機器學習的相關概念

 

3.1機器學習的基本概念

 

3.1.1機器學習的分類

 

3.1.2數據與數據集

 

3.1.3數據樣本的屬性

 

3.1.4數據樣本的標簽

 

3.1.5機器學習模型

 

3.2數據集

 

3.2.1數據集的類型

 

3.2.2數據集的來源

 

3.2.3數據集的獲取

 

3.2.4數據集的生成

 

3.2.5數據集的劃分

 

3.2.6數據集的特征

 

3.3數據之間的差異度量

 

3.3.1數據之間的距離

 

3.3.2數據之間的相似度

 

3.3.3數據之間的相關度

 

3.4數據之間的距離

 

3.4.1切比雪夫距離

 

3.4.2曼哈頓距離

 

3.4.3歐幾裏得距離

 

3.4.4閔可夫斯基距離

 

3.5數據之間的相似度

 

3.5.1余弦相似度

 

3.5.2Jaccard相似度

 

3.6數據之間的相關度

 

3.6.1皮爾遜相關系數

 

3.6.2斯皮爾曼相關系數

 

3.7本章小結

 

3.8習題

 

3.8.1選擇題

 

3.8.2編程題

 

第4章數據預處理

 

4.1數據預處理概述

 

4.1.1預處理的作用

 

4.1.2預處理的業務

 

4.2數據清洗

 

4.2.1缺失數據發現

 

4.2.2缺失數據處理

 

4.2.3非法數據處理

 

4.3數據規範化

 

4.3.1規範化： Zscore

 

4.3.2歸一化： Normalization

 

4.3.3正則化： L1、L2

 

4.4數據編碼

 

4.4.1標簽編碼： LabelEncoder

 

4.4.2獨熱編碼： OneHotEncoder

 

4.4.3詞頻向量化： CountVectorizer 

 

4.4.4詞頻逆文檔頻率： TfidfVectorizer

 

4.5屬性降維

 

4.5.1主成分分析： PCA

 

4.5.2核主成分分析： KPCA

 

4.5.3線性判別分析： LDA

 

4.5.4t分布隨機近鄰嵌入： tSNE

 

4.5.5等度量映射： Isomap

 

4.6特征選擇

 

4.6.1特征過濾： Filter

 

4.6.2特征包裝： Wrapper

 

4.6.3特征嵌入： Embedded

 

4.7本章小結

 

4.8習題

 

4.8.1選擇題

 

4.8.2編程題

 

第5章監督學習

 

5.1監督學習簡介

 

5.1.1監督學習的概念

 

5.1.2監督學習的流程

 

5.1.3監督學習的分類

 

5.1.4回歸模型評估

 

5.1.5分類模型評估

 

5.2線性回歸

 

5.2.1算法原理

 

5.2.2算法應用

 

5.3邏輯回歸

 

5.3.1算法原理

 

5.3.2算法應用

 

5.4貝葉斯分類

 

5.4.1算法原理

 

5.4.2算法應用

 

5.5決策樹

 

5.5.1算法原理

 

5.5.2算法應用

 

5.6支持向量機

 

5.6.1算法原理

 

5.6.2算法應用

 

5.7K近鄰算法

 

5.7.1算法原理

 

5.7.2算法應用

 

5.8綜合案例

 

5.9本章小結

 

5.10習題

 

5.10.1選擇題

 

5.10.2編程題

 

第6章非監督學習

 

6.1非監督學習簡介

 

6.1.1非監督學習的概念

 

6.1.2非監督學習的用途

 

6.1.3非監督學習的分類

 

6.1.4模型的評估指標

 

6.2K均值聚類

 

6.2.1算法原理

 

6.2.2算法應用

 

6.3層次聚類

 

6.3.1算法原理

 

6.3.2算法應用

 

6.4親和傳播聚類

 

6.4.1算法原理

 

6.4.2算法應用

 

6.5譜聚類

 

6.5.1算法原理

 

6.5.2算法應用

 

6.6密度聚類算法

 

6.6.1算法原理

 

6.6.2算法應用

 

6.7孤立森林

 

6.7.1算法原理

 

6.7.2算法應用

 

6.8獨立成分分析

 

6.8.1算法原理

 

6.8.2算法應用

 

6.9非負矩陣分解

 

6.9.1算法原理

 

6.9.2算法應用

 

6.10綜合案例

 

6.11本章小結

 

6.12習題

 

6.12.1選擇題

 

6.12.2編程題目

 

 

第7章半監督學習

 

7.1半監督學習的介紹

 

7.1.1半監督學習的定義

 

7.1.2半監督學習的原理

 

7.1.3半監督學習的特點

 

7.1.4半監督學習的應用

 

7.2半監督學習的類型

 

7.2.1自我訓練

 

7.2.2協同訓練

 

7.3半監督學習的實踐

 

7.4自訓練分類器

 

7.4.1算法原理

 

7.4.2算法應用

 

7.4.3應用案例

 

7.5標簽傳播與擴散

 

7.5.1算法原理

 

7.5.2算法應用

 

7.5.3應用案例

 

7.6本章小結

 

7.7習題

 

7.7.1選擇題

 

7.7.2編程題

 

第8章集成學習

 

8.1集成學習介紹

 

8.1.1什麼是集成學習

 

8.1.2集成學習的原理

 

8.1.3集成學習的優勢

 

8.1.4集成學習的應用

 

8.2集成學習的分類

 

8.2.1基於個體學習器的分類

 

8.2.2基於數據使用的分類

 

8.2.3基於數據分布的分類

 

8.2.4基於模型集成的分類

 

8.3集成學習常用方法

 

8.3.1堆疊法

 

8.3.2自舉匯聚法

 

8.3.3提升法

 

8.3.4投票法

 

8.4集成學習的實踐

 

8.4.1Stacking的實踐

 

8.4.2Bagging的實踐

 

8.4.3AdaBoost的實踐

 

8.4.4Voting的實踐

 

8.4.5XGBClassifier的實踐

 

8.4.6隨機森林的實踐

 

8.5本章小結

 

8.6習題

 

8.6.1選擇題

 

8.6.2編程題

 

第9章神經網絡

 

9.1神經網絡簡介

 

9.1.1神經網絡的起源

 

9.1.2神經網絡的特點

 

9.1.3神經網絡的用途

 

9.2神經網絡的原理

 

9.2.1生物神經網絡

 

9.2.2人工神經網絡

 

9.2.3神經網絡的概念

 

9.2.4神經網絡的分類

 

9.3神經網絡的設計

 

9.3.1神經網絡的設計步驟

 

9.3.2模型的評估方法

 

9.3.3神經網絡的誤區

 

9.4神經網絡實踐

 

9.4.1回歸模型： MLPRegressor

 

9.4.2分類模型： MLPClassifier

 

9.4.3特征提取： BernoulliRBM

 

9.5本章小結

 

9.6習題

 

9.6.1選擇題

 

9.6.2編程題

 

第10章模型部署和應用

 

10.1模型的存儲與使用

 

10.1.1本地模型的存儲

 

10.1.2本地模型的使用

 

10.1.3Hugging Face模型資源

 

10.1.4Hugging Face模型檢索

 

10.1.5集成模型與Web應用

 

10.2Streamlit提供的Web框架

 

10.2.1Streamlit的主要用途

 

10.2.2Streamlit的開發環境

 

10.2.3Streamlit程序的組成

 

10.2.4Streamlit的界面設計

 

10.2.5Streamlit的事件處理

 

10.3Web應用程序的綜合案例

 

10.3.1部署一個簡單的Web應用

 

10.3.2集成本地模型的Web應用

 

10.3.3集成在線模型的Web應用

 

10.4本章小結

 

10.5習題

 

10.5.1選擇題

 

10.5.2編程題

 

第11章機器學習的發展方向

 

11.1機器學習的發展方向簡介

 

11.1.1聯邦學習

 

11.1.2多模態機器學習

 

11.1.3機器學習的可解釋性

 

11.1.4機器學習的自動化

 

11.2AutoML介紹

 

11.2.1AutoML的概念

 

11.2.2AutoML的應用

 

11.2.3AutoML的工具

 

11.3PyCaret自動學習

 

11.3.1PyCaret的功能

 

11.3.2PyCaret的使用

 

11.3.3PyCaret的案例

 

11.4本章小結

 

11.5習題

 

11.5.1選擇題

 

11.5.2編程題

 

後記

 

參考文獻