导语

  

内容提要

  

    随着计算机技术迅猛地发展，人工智能与机器学习已经渗透到我们日常生活的各个领域。为此，中国人民大学专门为全校财经和人文专业的学生开设了“人工智能与机器学习”课程，本书的所有作者都参与了该门课程的教学实践，相互配合，总结教学经验，共同打磨而成《人工智能与机器学习》一书。书中避开了大量数学模型和复杂编程知识，引导学生了解各种机器学习模型的基本原理与实践用法，让学生熟悉当下流行的一些机器学习和数据处理工具的使用，解决现实领域遇到的各种数据分析和预测问题。

第1章  人工智能简介
  1.1  什么是人工智能
  1.2  人工智能简史（1956年以前）
  1.3  人工智能简史（1956—1980年）
  1.4  人工智能简史（1980—2010年）
  1.5  人工智能简史（2010年至今）
第2章  机器学习简介
  2.1  什么是机器学习
  2.2  机器学习分类
第3章  Python简介
  3.1  环境配置
  3.2  Python基础编程
  3.3  Numpy
  3.4  Matplotlib
  3.5  Pandas
第4章  K近邻
  4.1  什么是K近邻
  4.2  如何度量距离或者相似性
  4.3  数据缩放
  4.4  选择合适的K值
  4.5  Scikit-learn KNN分类器介绍
  4.6  案例一：鸢尾花分类
第5章  模型选择
  5.1  偏差与方差
  5.2  训练集与测试集
  5.3  交叉验证
  5.4  案例二：鸢尾花分类（案例一续）
第6章  线性回归
  6.1  什么是线性回归
  6.2  损失函数
  6.3  增加多项式特征
  6.4  正则化
  6.5  超参数调优
  6.6  案例三：波士顿房价预测
第7章  逻辑回归
  7.1  什么是逻辑回归
  7.2  决策边界
  7.3  损失函数
  7.4  线性回归和逻辑回归的异同
  7.5  多分类
  7.6  案例四：泰坦尼克号乘客生还预测
第8章  分类评价指标
  8.1  混淆矩阵
  8.2  查准率与查全率、F1分数
  8.3  ROC曲线和AUC
  8.4  多分类评价指标
  8.5  案例五：泰坦尼克号乘客生还预测（案例四续）
第9章  朴素贝叶斯
  9.1  贝叶斯定理
  9.2  朴素贝叶斯分类器
  9.3  不同的朴素贝叶斯模型
  9.4  文本分类
  9.5  案例六：垃圾邮件识别
第10章  支持向量机
  10.1  什么是支持向量机
  10.2  核函数
  10.3  支持向量机的参数优化
  10.4  案例七：垃圾邮件识别（案例六续）
  10.5  总结
第11章  决策树
  11.1  什么是决策树
  11.2  构建决策树
  11.3  修剪决策树
  11.4  决策树的优缺点和使用方法
  11.5  案例八：泰坦尼克号乘客生还预测
第12章  集成学习
  12.1  袋装
  12.2  提升
  12.3  堆叠
  12.4  案例九：泰坦尼克号乘客生还预测（案例八续）
第13章  聚类
  13.1  什么是聚类
  13.2  K-means算法
  13.3  聚类结果的评价
  13.4  不同的距离指标
  13.5  聚合式层次聚类
  13.6  案例十：商场客户聚类
第14章  深度学习
  14.1  深度学习发展简史
  14.2  多层感知器
  14.3  损失函数
  14.4  优化算法：反向传播算法
  14.5  案例十一：手写数字识别
  14.6  深度学习技巧
  14.7  卷积神经网络
  14.8  案例十二：图像识别
第15章  Kaggle竞赛
  15.1  Kaggle平台简介
  15.2  Kaggle竞赛简介
  15.3  Kaggle竞赛案例分析：泰坦尼克号乘客生还预测