殷丽凤，博士，副教授，硕士生导师，研究方向为大数据分析、机器学习以及深度学习等领域的算法及应用研究。毕业于哈尔滨理工大学计算机应用技术专业并获得博士学位。近十多年来，一直致力于计算机应用技术领域的研究与教学。她的兴趣涵盖了软件工程、机器学习、人工智能等方向。在多所高校担任Python编程语言讲授工作，并带领学生完成了Python编程语言的课程设计工作。在教学中注重理论与实践相结合，以生动的案例和实际应用来帮助学生更好地理解和掌握Python编程。她的专业知识和实践经验能够将实际应用场景与Python编程相结合，为学生提供更加实用和有深度的学习体验。

前言
第1章绪论
11机器学习的定义
12机器学习的发展历史
13机器学习的分类
131监督学习
132无监督学习
133半监督学习
134强化学习
14基本术语与符号
141基本术语
142基本符号
15机器学习的过程
16将Python用于机器学习
161安装Python解释器
162安装PyCharm
163安装Anaconda
164用于科学计算、数据科学和
机器学习的软件包
17本章小结
18习题
第2章模型评估与调优
21概述
22评估方法
221留出法
222交叉验证法
223留一法交叉验证
224自助法
23优化
231用学习和验证曲线调试
算法
232通过网格搜索调优机器学习
模型
24性能度量
241错误率与准确率
242查准率、查全率与F1
243ROC与AUC
244多元分类评估指标
25本章小结
26习题
第3章回归分析
31引言
311回归分析概述
312回归分析的目标
313回归分析的步骤
32一元线性回归
321一元线性回归模型
322参数w和b的推导过程
323一元线性回归模型的代码
实现及应用
33多元线性回归
331多元线性回归模型和参数
求解
332多元线性回归模型的代码
实现及应用
34对率回归
341对率回归模型
342参数w和b的推导过程
343参数更新公式的推导
344对率回归模型的代码实现及
应用
35多项式回归
36正则化回归
361岭回归模型
362最小绝对收缩与选择
算子（LASSO回归）
363弹性网络
37回归模型的评价指标
38回归分析实践
381构建波士顿房价预测模型
382构建信用卡欺诈行为分类
模型
39本章小结
310习题
第4章决策树
41决策树概述
411决策树的概念
412决策树的优缺点
42决策树的划分准则
421信息增益
422增益率
423基尼指数
43决策树的建立
431决策树的归纳过程
432决策树实例分析
433决策树停止准则
434决策树剪枝
44多变量决策树
45集成方法
451随机森林
452梯度提升树
46回归树
461回归决策树
462回归加权平均树
463随机森林回归树
464梯度提升回归树
47决策树实践
471构建巴黎住房分类模型
472构建航班价格预测模型
48本章小结
49习题
第5章神经网络
51神经网络的发展历史
52神经元模型
521生物学的神经元模型
522M-P神经元模型
53激活函数
531Sigmoid激活函数
532tanh激活函数
533ReLU激活函数
534采用激活函数的原因
535激活函数的特点
54感知机模型
541感知机模型的结构
542感知机模型的原理
543感知机模型的实现
544感知机模型的优缺点
55多层前馈神经网络模型
551多层前馈神经网络的工作
原理
552多层前馈神经网络参数的
学习过程
553多层前馈神经网络算法的
实现
56训练方法
561梯度下降法
562随机梯度下降法
563小批量梯度下降法
57梯度消失和梯度爆炸
571产生原因
572解决方案
58神经网络实践：构建南瓜子
分类模型
581数据的简单分析
582利用感知机
583利用多层感知机
59本章小结
510习题
第6章支持向量机
61支持向量机概述
611线性分类
612最大间隔分类
62硬间隔支持向量机
621硬间隔支持向量机模型
622利用对偶问题求解
623硬间隔支持向量机求解
实例
63核支持向量机
631核函数
632核函数求解实例
64软间隔支持向量机
641松弛变量
642对偶问题
65感知机与SVM线性可分的
区别
66SVM的优缺点
67支持向量机实践：构建手机
价格分类模型
671数据的简单分析
672利用硬间隔支持向量机
673利用软间隔支持向量机
68本章小结
69习题
第7章贝叶斯分类器
71贝叶斯分类器概述
711贝叶斯定理
712贝叶斯定理的应用
713贝叶斯思想
72贝叶斯分类器的原理
721贝叶斯决策论
722极大似然估计
73朴素贝叶斯分类器
74半朴素贝叶斯分类器
741超父独依赖分类器
742平均独依赖估计
743树增广朴素贝叶斯
75贝叶斯网络
751贝叶斯网络的定义
752贝叶斯网络的结构特征
753贝叶斯网络的学习
754贝叶斯网络的推断
76贝叶斯分类器实践：构建
鸢尾花分类模型
761数据的简单分析
762利用朴素贝叶斯
763利用半朴素贝叶斯
764利用贝叶斯网络
77本章小结
78习题
第8章聚类分析
81聚类概述
811聚类的相关概念
812聚类与分类的区别
813聚类算法的分类
814相似性度量
815归一化处理
82基于划分的聚类算法
821K-Means算法
822K-Means++算法
823K-Medoid算法
824Kernel K-Means算法
825Mini-Batch K-Means
算法
826K-Means with Triangle
Inequality算法
83基于层次的聚类算法
831层次聚类算法的基础
832Hierarchical K-Means
算法
833Agglomerative Clustering
算法
834BIRCH算法
84基于密度的聚类算法
841DBSCAN算法
842OPTICS算法
85谱聚类算法
851图划分思想
852相似度矩阵
853拉普拉斯矩阵
854谱聚类算法的步骤
86基于网格的聚类算法
87基于模型的聚类算法
88聚类评估
881估计聚类趋势
882确定簇数
883测定聚类质量
89聚类分析实践：对客户进行
细分
891数据预处理
892利用K-Means算法
893利用Agglomerative Clustering
算法
810本章小结
811习题
第9章降维技术
91降维的重要性
911维度爆炸
912降维的原因
92主成分分析算法
921向量投影和矩阵投影的
含义
922向量降维和矩阵降维
923PCA的优化目标
924PCA算法的原理
925PCA算法的步骤
926PCA的应用
927核主成分分析
93奇异值分解
931矩阵的特征分解
932SVD的定义
933SVD算法的步骤
934SVD的重要性质
94降维技术实践：对生物体的
基因进行降维
941数据的简单分析
942利用PCA进行降维
943利用SVD进行降维
95本章小结
96习题
第10章集成学习
101自助聚合算法
1011Bagging算法的思想
1012随机森林
102可提升算法
1021Boosting的基本概念
1022AdaBoost
1023Bagging与Boosting的
区别
1024梯度提升算法
103堆叠算法
104集成学习实践：构建红酒
分类模型
1041利用Bagging实现
1042利用Boosting实现
1043利用Stacking实现
105本章小结
106习题
参考文献