机器学习技术应用实战指南.docVIP

机器学习技术应用实战指南

TOC\o1-2\h\u991第一章绪论 3

304761.1机器学习概述 3

168881.2机器学习应用领域 4

240151.2.1金融领域 4

58011.2.2医疗领域 4

1071.2.3交通领域 4

66281.2.4电商领域 4

200191.2.5文娱领域 4

246451.3机器学习技术发展趋势 4

188151.3.1深度学习技术不断突破 5

271861.3.2强化学习技术逐渐成熟 5

7371.3.3融合多学科知识的综合应用 5

227061.3.4机器学习算法优化与硬件协同 5

1816第二章数据预处理 5

322682.1数据清洗 5

75972.1.1概述 5

206062.1.2缺失值处理 5

259472.1.3异常值处理 5

142152.1.4重复数据处理 5

11892.1.5不一致数据处理 6

124392.2特征工程 6

62262.2.1概述 6

281902.2.2特征选择 6

58042.2.3特征提取 6

277422.2.4特征转换 6

219282.3数据标准化与归一化 6

44482.3.1概述 7

49652.3.2标准化 7

230372.3.3归一化 7

7085第三章监督学习算法 7

255733.1线性回归 7

149313.1.1算法原理 7

258503.1.2模型训练 7

270403.1.3应用场景 8

252223.2逻辑回归 8

259183.2.1算法原理 8

202373.2.2模型训练 8

197583.2.3应用场景 8

112133.3决策树与随机森林 8

86643.3.1算法原理 8

294873.3.2模型训练 8

269343.3.3应用场景 9

316593.4支持向量机 9

37443.4.1算法原理 9

161163.4.2模型训练 9

229913.4.3应用场景 9

3945第四章无监督学习算法 9

325194.1聚类分析 9

220424.2主成分分析 9

65404.3关联规则挖掘 10

15054.4层次聚类 10

10961第五章评估与优化 10

52185.1评估指标 10

194555.2调整超参数 11

40785.3模型优化策略 11

27839第六章深度学习 12

249906.1神经网络基础 12

44756.1.1简介 12

13136.1.2神经元模型 12

216116.1.3前向传播和反向传播 12

30846.1.4激活函数 12

184626.1.5神经网络优化算法 12

124706.2卷积神经网络 12

39556.2.1简介 12

73946.2.2卷积操作 12

240796.2.3池化操作 13

273346.2.4卷积神经网络结构 13

281216.3循环神经网络 13

233386.3.1简介 13

64056.3.2循环单元 13

209266.3.3循环神经网络结构 13

14506.3.4循环神经网络的训练和优化 13

288806.4对抗网络 13

304736.4.1简介 13

143516.4.2器和判别器 13

148146.4.3对抗网络的训练 14

261066.4.4对抗网络的应用 14

3196第七章强化学习 14

66957.1强化学习基础 14

103687.2Q学习 14

262637.3Sarsa算法 14

8597.4模型驱动强化学习 15

12449第八章机器学习框架与工具 15

174238.1Scikitlearn 15

15958.2TensorFlow 16

81308.3PyTorch 16

293688.4Keras 16

7203第九章机器学习项目实践 17

302509.1项目规划与管理 17

280799.1.1项目启动 17

74269.1.2项目规划 17

6483