机器学习：基于腾讯云机器学习应用工程师认证（TCP）

　　机器学习是人工智能的重要技术基础。本书涵盖了机器学习的基础知识，精选了机器学习常用算法，紧密结合腾讯云培训认证中心的机器学习应用工程师认证体系，主要包括人工智能与机器学习概念、数学基础、编程基础、数据结构与算法、分类算法、回归算法、无监督学习算法、数据获取、特征处理、模型选取与调优、模型评估等，并给出了基于腾讯TIONE平台的操作实例。全书深入浅出、案例丰富，兼具广度与深度，便于学生巩固学习，适合作为高等院校本科生或研究生机器学习、数据分析、数据挖掘等课程的教材，也可供对机器学习感兴趣并希望从事机器学习等领域相关工作的个人开发者阅读参考。

　　李然，1967年生，大连海洋大学 副教授，研究方向：数据库应用。校级精品资源共享课负责人；中国大学MOOC（慕课）平台SPOC课程“数据库原理”负责人。主编教材2部，参编1部，撰写总字数62.3万字。

目录


第1章人工智能与机器学习的概念1
1.1人工智能的定义1
1.2人工智能的历史2
1.3人工智能的技术发展6
1.3.1专家系统6
1.3.2机器学习6
1.3.3机器视觉7
1.3.4机器人技术7
1.3.5自然语言处理7
1.3.6自动化8
1.3.7大数据8
1.3.8语音识别技术8
1.4人工智能的应用领域9
1.5机器学习概述12
1.5.1什么是机器学习12
1.5.2机器学习的发展历程12
1.5.3机器学习的系统结构14
1.5.4机器学习的分类15
1.5.5机器学习的常见算法19
1.5.6机器学习应用场景21
参考文献21

第2章数学基础23
2.1高等数学23
2.1.1函数与极限23
2.1.2导数与微分28
2.1.3微分中值定理与导数的应用32
2.1.4空间解析几何和向量代数38
2.1.5多元函数微分法及其应用42
2.2线性代数50
2.2.1矩阵及其运算50
2.2.2矩阵的初等变换与矩阵的秩58
2.2.3向量组的线性相关性63
2.2.4相似矩阵及二次型69
2.2.5矩阵导数的运算77
2.3概率论与数理统计78
2.3.1随机事件及其概率78
2.3.2随机变量及其分布84
2.3.3多维随机变量及其分布87
2.3.4随机变量的数字特征90
2.3.5样本及抽样分布93
2.3.6参数估计99
2.3.7假设检验105
2.4本章小结112
参考文献112

第3章编程基础113
3.1Python语法113
3.1.1Python基本概述113
3.1.2Python内置对象117
3.1.3Python运算符和表达式125
3.1.4程序控制结构127
3.1.5函数130
3.1.6面向对象编程138
3.1.7封装、继承和多态141
3.1.8运算符重载144
3.1.9字符串简介144
3.1.10转义字符145
3.1.11字符串格式化147
3.1.12字符串常用操作149
3.1.13正则表达式161
3.1.14文件基本操作172
3.1.15目录操作（文件夹操作）174
3.1.16异常处理结构178
3.1.17NumPy183
3.1.18pandas185
3.1.19matplotlib188
3.1.20Scikitlearn190
3.1.21小结193
3.2TensorFlow/PyTorch语法193
3.2.1TensorFlow193
3.2.2PyTorch197
3.2.3小结202

第4章数据结构与算法203
4.1树203
4.1.1基本概念203
4.1.2二叉树的存储结构206
4.1.3二叉树的遍历208
4.1.4树的存储结构210
4.1.5树的遍历212
4.2哈希表213
4.2.1基本概念213
4.2.2构造哈希函数的方法214
4.2.3处理冲突的方法216
4.2.4哈希表优点221
4.3排序222
4.3.1基本概念222
4.3.2简单选择排序223
4.3.3简单插入排序224
4.3.4冒泡排序225
4.3.5快速排序226
4.3.6归并排序228
4.4搜索230
4.4.1基本概念230
4.4.2顺序搜索231
4.4.3折半搜索232
4.4.4二叉搜索树234
4.5字符串237
4.5.1基本概念237
4.5.2字符串的存储结构238
4.5.3正则表达式238
4.6动态规划242
4.6.1最优化问题242
4.6.2动态规划的应用场景244
4.6.3动态规划算法思路245
4.6.4应用实例246
4.7小结250

第5章机器学习算法251
5.1机器学习的基本概念251
5.1.1算法分类251
5.1.2模型评价指标252
5.1.3模型选择及求解问题253
5.2分类255
5.2.1k近邻算法255
5.2.2决策树算法257
5.2.3贝叶斯分类器262
5.2.4logistic回归算法266
5.2.5支持向量机算法269
5.2.6随机森林算法277
5.3回归280
5.3.1线性回归算法280
5.3.2决策树回归算法285
5.4无监督算法287
5.4.1聚类算法288
5.4.2维归约技术295
5.5关联分析300
5.5.1Apriori算法302
5.5.2频繁模式树算法302
5.6其他机器学习方法305
5.6.1隐马尔可夫模型305
5.6.2Boosting算法315
5.6.3条件随机场320
5.7深度学习相关算法325
5.7.1神经网络相关概念325
5.7.2深度神经网络328
5.8本章小结331
参考文献331

第6章构建项目流程333
6.1问题的定义334
6.2数据收集334
6.3数据预处理335
6.4特征抽取338
6.5模型构建及训练339
6.5.1模型构建339
6.5.2模型训练340
6.6模型评估和优化341
6.6.1模型评估341
6.6.2模型优化342
6.6.3选择正确的衡量标准343
6.7模型部署和监控343
6.7.1模型部署343
6.7.2模型监控344
6.7.3应用到业务中344
6.8本章小结344

第7章TIONE机器学习345
7.1TIONE平台介绍345
7.2TIONE平台操作说明346
7.2.1注册与开通服务346
7.2.2可视化建模界面348
7.2.3新建工程与任务流349
7.2.4基础操作说明349
7.3使用可视化建模构建模型351

第8章TIONE平台应用实例352
8.1中式菜系热度预测模型352
8.2猫狗图像分类356