第1章 环境配置与学前知识
1.1 环境的安装
1.2 机器学习相关概念
1.2.1 机器学习中的数据
1.2.2 训练集和测试集
1.2.3 欠拟合与过度拟合
1.2.4 人工智能、机器学习、深度学习
第2章 Python基础知识
2.1 Hello word!
2.2 变量
2.3 操作符
2.3.1 基本运作符
2.3.2 比较运作符
2.3.3 逻辑运算符
2.4 字符串
2.4.1 基础
2.4.2 转义字符
2.4.3 索引和切片
2.4.4 字符串方法
2.5 列表
2.6 集合
2.7 字典
2.8 循环语句
2.8.1 for语句
2.8.2 while语句
2.8.3 break语句
2.8.4 continue
2.9 判断语句
2.10 函数
2.11 面向对象编程
第3章 Numpy
3.1.1 创建元素为0或1的数组
3.1.2 将列表转换为数组
3.1.3 生成一串数字
3.1.4 生成特殊数组
3.2 数组索引
3.3 排序与查询
3.4 随机数生成器
3.5 数学函数
3.5.1 三角函数
3.5.2 指数与对数
3.5.3 约数
3.5.4 数组自身加乘
3.5.5 算术运算
3.6 统计函数
3.7 线性代数
第4章 Pandas
4.1 序列对象Series
4.1.1 创建Series对象
4.1.2 Series索引
4.1.3 查看Series相关属性
4.1.4 二元运算
4.1.5 统计方法
4.1.6 缺失值处理
4.1.7 排序
4.1.8 计数与重复
4.1.9 其他
4.2 DataFrame
4.2.1 创建数据框
4.2.2 行操作
4.2.3 列操作
4.3 GroupBy
4.3.1 基本函数
4.3.2 统计函数
第5章 Matplotlib
5.1 作图类命令
5.1.1 线图
5.1.2 柱状图和条形图
5.1.3 散点图
5.1.4 饼图
5.1.5 面积图
5.2 坐标轴控制
5.2.1 axis
5.2.2 xlim与ylim
5.2.3 xticks与yticks
5.2.4 xlabel与ylabel
5.3 其他设置
第6章 scikit-learn
6.1 预处理（preprocessing）
6.1.1 标准化
6.1.2 非线性转换
6.1.3 归一化
6.1.4 二值化
6.1.5 分类特征编码
6.1.6 缺失值插补
6.1.7 生成多项式特征
6.2 降维
6.3 有监督学习、无监督学习
6.4 模型评估
6.4.1 测试集评分
6.4.2 交叉验证迭代器
6.4.3 分层交叉验证迭代器
6.4.4 分组迭代器
6.4.5 时间序列交叉验证
第7章 机器学习常用数据集
7.1 boston房价数据集
7.1.1 数据集基本信息描述
7.1.2 数据探索
7.2 diabetes糖尿病数据集
7.2.1 数据基本信息描述
7.2.2 数据探索
7.3 digits手写数字光学识别数据集
7.3.1 数据集基本信息描述
7.3.2 数据集探索
7.4 iris鸢尾花数据集
7.4.1 数据集基本信息描述：
7.4.2 数据探索
7.5 wine红酒数据集
7.5.1 数据集基本信息描述
7.5.2 数据探索
第8章 回归算法
8.1 从二次函数到机器学习
8.1.1 二次函数最优求解方法
8.1.2 梯度下降
8.1.3 梯度下降python实现
8.1.4 初始值的选择与学习速率的选择
8.2 线性回归
8.2.1 回归曲线的数学解释
8.2.2 梯度下降方法求解最优直线
8.2.3 理解“机器学习”中的“学习”
8.2.4 导数求解与梯度下降
8.2.5 学习速率与迭代次数如何设置
8.3 实战—糖尿病患者病情预测
第9章 逻辑回归
9.1 逻辑回归的基础知识
9.1.1 直线分割平面
9.1.2 逻辑函数
9.2 深入理解逻辑回归
9.2.1 直线分类器与逻辑回归的结合
9.2.2 sigmoid函数作用的理解
9.2.3 逻辑回归模型
9.3 逻辑回归在二维鸢尾花分类的应用
第10章 神经网络
10.1 神经网络的基础知识
10.1.1 逻辑回归
10.1.2 激活函数
10.2 深入理解神经网络
10.2.1 神经网络的表示
10.2.2 做回归的神经网络
10.2.3 做二分类的神经网络
10.2.4 做多分类的神经网络
10.3 神经网络应用
10.3.1 MLPClassifier
10.3.2 MLPRegressor
第11章 线性判别算法
11.1 线性判别核心知识
11.1.1 方差
11.1.2 投影
11.1.3 投影方式与方差的关系
11.2 线性回归详解
11.2.1 投影的实际应用
11.2.2 另一种思路解决重叠问题
11.2.3 LDA算法的实质
11.3 线性判别算法实战——花卉分类
第12章 k最近邻分类
12.1 k最近邻分类核心知识
12.1.1 两点的距离公式
12.1.2 权重
12.2 k最近邻算法详解
12.2.1 k最近邻算法原理
12.2.2 knn算法的关键k的选择
12.2.3 距离加权最近邻算法
12.3 k最近邻算法实战—手写字体识别
第13章 决策树与随机森林
13.1 决策树的基本知识
13.2 决策树原理
13.2.1 信息熵
13.2.2 分割数据
13.2.3 计算信息增益
13.3 决策树应用—红酒分类
13.4 随机森林
第14章 朴素贝叶斯
14.1 朴素贝叶斯基础知识
14.1.1 概率
14.1.2 条件概率
14.1.3 联合概率
14.1.4 贝叶斯定理
14.2 贝叶斯深入理解
14.2.1 先验概率和后验概率
14.2.2 词向量
14.2.3 贝叶斯模型
14.3 贝叶斯算法应用—文本分类
第15章 支持向机
15.1 基础知识
15.1.1 向量
15.1.2 点积
15.1.3 投影
15.1.4 向量与代数直线的关系
15.2 深入理解svm
15.2.1 超平面(hyperplane)
15.2.2 支持向量机在二维空间的超平面
15.2.3 计算最优超平面
15.3 支持向量机的应用
第16章 PCA降维
16.1 PCA降维的核心知识
16.1.1 矩阵的直观理解
16.1.2 特征值特征向量本质
16.1.3 协方差
16.1.4 协方差矩阵
16.2 PCA降维详解
16.2.1 协方差矩阵的特征向量
16.2.2 PCA算法的python实现
16.3 实战—IRIS数据集可视化
第17章 SVD奇异值分解
17.1 SVD的相关知识
17.2 矩阵作用深度理解
17.2.1 矩阵作用
17.2.2 将矩阵作用分解为特征向量作用
17.2.3 将矩阵作用分解为奇异矩阵作用
17.3 奇异值分解的应用
17.3.1 U矩阵理解
17.3.2 V矩阵理解
17.3.3 S矩阵理解
第18章 聚类
18.1 深入理解k均值聚类
18.2 scikit中的k-means
18.3 其他聚类方法
第19章 深度学习框架应用
19.1 TensorFlow
19.1.1 基本概念
19.1.2 TensorFlow应用
19.2 keras
19.3 PyTorch
19.4 Caffe