Python監(jiān)督學習

第1章 監(jiān)督學習簡介
1.1 什么是機器學習
1.1.1 數(shù)據(jù)分析、數(shù)據(jù)挖掘、機器學習和人工智能之間的關系
1.1.2 數(shù)據(jù)、數(shù)據(jù)類型和數(shù)據(jù)源
1.2 機器學習與軟件工程的差異
1.3 機器學習的統(tǒng)計和數(shù)學概念
1.4 監(jiān)督學習算法
1.4.1 回歸與分類問題
1.4.2 監(jiān)督學習算法步驟
1.5 無監(jiān)督學習算法
1.5.1 聚類分析
1.5.2 PCA
1.6 半監(jiān)督學習算法
1.7 技術棧
1.8 機器學習的普及性
1.9 機器學習使用案例
1.10 小結
第2章 回歸分析監(jiān)督學習
2.1 所需技術工具包
2.2 回歸分析及案例
2.3 什么是線性回歸
2.4 度量回歸問題的有效性
2.4.1 案例1：創(chuàng)建簡單線性回歸
2.4.2 案例2：住宅數(shù)據(jù)集簡單線性回歸
2.4.3 案例3：住宅數(shù)據(jù)集多元線性回歸
2.5 非線性回歸分析
2.6 識別非線性關系
2.7 回歸模型面臨的挑戰(zhàn)
2.8 回歸的基于樹方法
2.9 案例分析：使用決策樹解決油耗問題
2.10 回歸的集成方法
2.11 案例分析：使用隨機森林解決油耗問題
2.12 基于樹方法的特征選擇
2.13 小結
第3章 分類問題監(jiān)督學習
3.1 所需技術工具包
3.2 假設檢驗及p值
3.3 分類算法
3.4 評估解決方案準確度
3.5 案例分析：信用風險
3.6 分類的樸素貝葉斯方法
3.7 案例分析：人口普查數(shù)據(jù)的收入預測
3.8 分類的k最近鄰方法
3.9 案例分析：k最近鄰
3.9.1 數(shù)據(jù)集
3.9.2 業(yè)務目標
3.10 分類的基于樹算法
3.11 決策樹算法類型
3.12 小結
第4章 監(jiān)督學習高級算法
4.1 所需技術工具
4.2 提升算法
4.3 支持向量機(SVM)
4.3.1 二維空間的SVM
4.3.2 KSVM
4.3.3 使用SVM的案例分析
4.4 非結構化數(shù)據(jù)的監(jiān)督學習算法
4.5 文本數(shù)據(jù)
4.5.1 文本數(shù)據(jù)案例
4.5.2 文本數(shù)據(jù)面臨的挑戰(zhàn)
4.5.3 文本分析建模過程
4.5.4 文本數(shù)據(jù)提取及管理
4.5.5 文本數(shù)據(jù)預處理
4.5.6 從文本數(shù)據(jù)提取特征
4.6 案例分析：采用自然語言處理的客戶投訴分析
4.7 案例分析：采用詞嵌入的客戶投訴分析
4.8 圖像數(shù)據(jù)
4.8.1 圖像數(shù)據(jù)案例
4.8.2 圖像數(shù)據(jù)面臨的挑戰(zhàn)
4.8.3 圖像數(shù)據(jù)管理過程
4.8.4 圖像數(shù)據(jù)建模過程
4.9 深度學習基礎
4.9.1 人工神經(jīng)網(wǎng)絡
4.9.2 激活函數(shù)
4.9.3 神經(jīng)網(wǎng)絡的損失函數(shù)
4.9.4 神經(jīng)網(wǎng)絡優(yōu)化
4.9.5 神經(jīng)網(wǎng)絡訓練過程
4.10 案例分析1：在結構化數(shù)據(jù)上建立分類模型
4.11 案例分析2：圖像分類模型
4.12 小結
第5章 端到端模型開發(fā)
5.1 所需技術工具
5.2 機器學習模型開發(fā)
5.3 步驟1：定義業(yè)務問題
5.4 步驟2：數(shù)據(jù)發(fā)現(xiàn)階段
5.5 步驟3：數(shù)據(jù)清理和準備
5.5.1 數(shù)據(jù)集中的重復值
5.5.2 數(shù)據(jù)集的分類變量處理
5.5.3 數(shù)據(jù)集中存在的缺失值
5.6 數(shù)據(jù)集中的不平衡
5.7 數(shù)據(jù)集中的離群值
5.8 數(shù)據(jù)集中其他常見問題
5.9 步驟4：EDA
5.10 步驟5：機器學習模型構建
5.10.1 數(shù)據(jù)訓練/測試集分割
5.10.2 為分類算法找到最佳閾值
5.10.3 過擬合與欠擬合問題
5.10.4 關鍵利益相關人討論并迭代
5.10.5 提交最終模型
5.11 步驟6：模型部署
5.12 步驟7：文檔化
5.13 步驟8：模型更新和維護
5.14 小結