数据科学：机器学习如何数据掘金

　　“人工智能超入门丛书”致力于面向人工智能各技术方向零基础的读者，内容涉及数据思维、数据科学、视觉感知、情感分析、搜索算法、强化学习、知识图谱、专家系统等方向，体系完整、内容简洁、文字通俗，综合介绍人工智能相关知识，并辅以程序代码解决问题，使得零基础的读者快速入门。 本书是“人工智能超入门丛书”的一个分册，以机器学习为主线，介绍如何利用机器学习进行数据分析。全书内容共分7章，主要包括机器学习基本概念、数据分析相关基础知识、机器学习解决四类问题（回归问题、分类问题、聚类问题、降维问题）的算法、神经网络相关知识，并在附录中对Python编程基础知识、数据相关数学知识以及Python实验室Jupyter Lab的使用进行了介绍。 本书面向在人工智能方向零基础的读者，内容全面系统，语言通俗易懂，配合典型程序操作练习，简单易上手，能够帮助读者轻松认识和理解人工智能核心技术。本书可以作为大学生以及想要走向人工智能工作岗位的技术人员的入门读物，也可作为青少年人工智能相关技术方向的课程教材，同时也可作为技术普及读物供对人工智能技术感兴趣的读者阅读。

　　无

第1章　机器“学习” 001 1.1　数据科学、人工智能与机器学习 002 1.1.1　数据科学与机器学习 002 1.1.2　人工智能≠机器学习≠深度学习 005 1.2　机器学习概述 011 1.2.1　机器学习是什么 011 1.2.2　机器学习学什么 018 1.3　数据素养 021 1.3.1　何为数据素养 021 1.3.2　数据素养的维度划分 023 第2章　数据基础 025 2.1　先利其器 026 2.2　科学计算 029 2.2.1　向量与矩阵生成 029 2.2.2　向量与矩阵运算 035 2.3　数据分析 040 2.3.1　Series与DataFrame 040 2.3.2　文件的导入与处理 044 2.4　数据可视 047 2.4.1　基本图形 047 2.4.2　画图点睛 052 第3章　回归问题 057 3.1　什么是回归问题 058 3.1.1　回归分析概述 058 3.1.2　最小二乘法 060 3.2　线性回归 061 3.2.1　一元线性回归 061 3.2.2　多元线性回归 069 3.3　进阶：可视化 075 第4章　分类问题 078 4.1　什么是分类问题 079 4.2　近朱者赤近墨者黑的k近邻 079 4.2.1　k近邻算法基本原理 079 4.2.2　k近邻算法实践 085 4.3　通过熵解决分类的决策树 087 4.3.1　决策树与信息熵 087 4.3.2　决策树案例与实践 090 4.4　进阶：距离 098 第5章　聚类问题 100 5.1　什么是聚类 101 5.2　K均值聚类 103 5.2.1　K均值聚类原理 103 5.2.2　K均值聚类实践 109 5.3　系统聚类 113 5.3.1　系统聚类原理 113 5.3.2　系统聚类实践 118 5.4　进阶：再谈距离 120 第6章　降维问题 122 6.1　什么是降维问题 123 6.2　主成分分析 124 6.2.1　主成分分析原理 124 6.2.2　主成分分析实践 126 6.3　奇异值分解 131 6.3.1　奇异值分解原理 131 6.3.2　奇异值分解实践 133 6.4　进阶：特征值与特征向量 136 第7章　神经网络 141 7.1　从神经元到感知机 142 7.1.1　从生物神经元到人工神经元 142 7.1.2　从单层感知机到多层感知机 146 7.2　神经网络的运行原理 150 7.2.1　结构概述 150 7.2.2　前向传播 151 7.2.3　反向传播 155 7.3　神经网络的参数说明与实践 156 7.3.1　参数与超参数 156 7.3.2　解决分类与回归问题 158 7.4　进阶：反向传播推导 163 附录A　Python基础 166 A.1　运算符 167 A.1.1　基本算术运算符与数值型 167 A.1.2　关系运算符、逻辑运算符与布尔型 168 A.2　字符串与数据结构 170 A.2.1　字符串 170 A.2.2　列表 171 A.2.3　元组 172 A.2.4　字典 173 A.3　控制结构 174 A.3.1　if语句 174 A.3.2　while语句 175 A.3.3　for语句 176 A.3.4　多重循环 177 A.4　定义函数 178 附录B　导数与代数基础 179 B.1　导数 180 B.2　向量 183 B.3　矩阵 189 附录C　腾讯扣叮Python实验室：Jupyter Lab使用说明 196