小册描述
目录
- 1.1数据科学、人工智能与机器学习
- 1.1.1数据科学与机器学习
- 1.1.2人工智能≠机器学习≠深度学习
- 1.2机器学习概述
- 1.2.1机器学习是什么
- 1.2.2机器学习学什么
- 1.3数据素养
- 1.3.1何为数据素养
- 1.3.2数据素养的维度划分
- 2.1先利其器
- 2.2科学计算
- 2.2.1向量与矩阵生成
- 2.2.2向量与矩阵运算
- 2.3数据分析
- 2.3.1Series与DataFrame
- 2.3.2文件的导入与处理
- 2.4数据可视
- 2.4.1基本图形
- 2.4.2画图点睛
- 3.1什么是回归问题
- 3.1.1回归分析概述
- 3.1.2小二乘法
- 3.2线性回归
- 3.2.1一元线性回归
- 3.2.2多元线性回归
- 3.3进阶:可视化
- 4.1什么是分类问题
- 4.2近朱者赤近墨者黑的k近邻
- 4.2.1k近邻算法基本原理
- 4.2.2k近邻算法实践
- 4.3通过熵解决分类的决策树
- 4.3.1决策树与信息熵
- 4.3.2决策树案例与实践
- 4.4进阶:距离
- 5.1什么是聚类
- 5.2K均值聚类
- 5.2.1K均值聚类原理
- 5.2.2K均值聚类实践
- 5.3系统聚类
- 5.3.1系统聚类原理
- 5.3.2系统聚类实践
- 5.4进阶:再谈距离
- 6.1什么是降维问题
- 6.2主成分分析
- 6.2.1主成分分析原理
- 6.2.2主成分分析实践
- 6.3奇异值分解
- 6.3.1奇异值分解原理
- 6.3.2奇异值分解实践
- 6.4进阶:特征值与特征向量
- 7.1从神经元到感知机
- 7.1.1从生物神经元到人工神经元
- 7.1.2从单层感知机到多层感知机
- 7.2神经网络的运行原理
- 7.2.1结构概述
- 7.2.2前向传播
- 7.2.3反向传播
- 7.3神经网络的参数说明与实践
- 7.3.1参数与超参数
- 7.3.2解决分类与回归问题
- 7.4进阶:反向传播推导