前　言
第一部分 準備篇
第1章 機器學習發展及應用前景 2
1.1 機器學習概述 2
1.1.1 什麼是機器學習 3
1.1.2 機器學習的發展 3
1.1.3 機器學習的未來 4
1.2 機器學習應用前景 5
1.2.1 數據分析與挖掘 5
1.2.2 模式識彆 5
1.2.3 更廣闊的領域 6
1.3 小結 7
第2章 科學計算平颱 8
2.1 科學計算軟件平颱概述 8
2.1.1 常用的科學計算軟件 9
2.1.2 本書使用的工程計算平颱 10
2.2 計算平颱的配置 11
2.2.1 numpy等python科學計算包的安裝與配置 11
2.2.2 opencv 安裝與配置 13
2.2.3 mlpy 安裝與配置 14
2.2.4 beautifulsoup安裝與配置 15
2.2.5 neurolab安裝與配置 15
2.2.6 r安裝與配置 15
2.3 小結 16
第二部分 基礎篇
第3章 機器學習數學基礎 18
3.1 數學對我們有用嗎 18
3.2 機器學習需要哪些數學知識 20
3.3 小結 25
第4章 計算平颱應用實例 26
4.1 python計算平颱簡介及應用實例 26
4.1.1 python語言基礎 26
4.1.2 numpy庫 37
4.1.3 pylab、matplotlib繪圖 44
4.1.4 圖像基礎 46
4.1.5 圖像融閤與圖像鏡像 55
4.1.6 圖像灰度化與圖像加噪 57
4.1.7 聲音基礎 60
4.1.8 聲音音量調節 63
4.1.9 圖像信息隱藏 68
4.1.10 聲音信息隱藏 72
4.2 r語言基礎 78
4.2.1 基本操作 78
4.2.2 嚮量 81
4.2.3 對象集屬性 87
4.2.4 因子和有序因子 88
4.2.5 循環語句 89
4.2.6 條件語句 89
4.3 r語言科學計算 90
4.3.1 分類（組）統計 90
4.3.2 數組與矩陣基礎 91
4.3.3 數組運算 94
4.3.4 矩陣運算 95
4.4 r語言計算實例 103
4.4.1 學生數據集讀寫 103
4.4.2 最小二乘法擬閤 105
4.4.3 交叉因子頻率分析 106
4.4.4 嚮量模長計算 107
4.4.5 歐氏距離計算 108
4.5 小結 109
思考題 109
第三部分 統計分析實戰篇
第5章 統計分析基礎 112
5.1 數據分析概述 112
5.2 數學基礎 113
5.3 迴歸分析 118
5.3.1 單變量綫性迴歸 118
5.3.2 多元綫性迴歸 121
5.3.3 非綫性迴歸 121
5.4 數據分析基礎 124
5.4.1 區間頻率分布 124
5.4.2 數據直方圖 126
5.4.3 數據散點圖 127
5.4.4 五分位數 129
5.4.5 纍積分布函數 130
5.4.6 核密度估計 130
5.5 數據分布分析 132
5.6 小結 134
思考題 135
第6章 統計分析案例 136
6.1 數據圖形化案例解析 136
6.1.1 點圖 136
6.1.2 餅圖和條形圖 137
6.1.3 莖葉圖和箱綫圖 138
6.2 數據分布趨勢案例解析 140
6.2.1 平均值 140
6.2.2 加權平均值 140
6.2.3 數據排序 141
6.2.4 中位數 142
6.2.5 極差、半極差 142
6.2.6 方差 143
6.2.7 標準差 143
6.2.8 變異係數、樣本平方和 143
6.2.9 偏度係數、峰度係數 144
6.3 正態分布案例解析 145
6.3.1 正態分布函數 145
6.3.2 峰度係數分析 146
6.3.3 纍積分布概率 146
6.3.4 概率密度函數 147
6.3.5 分位點 148
6.3.6 頻率直方圖 151
6.3.7 核概率密度與正態概率分布圖 151
6.3.8 正太檢驗與分布擬閤 152
6.3.9 其他分布及其擬閤 154
6.4 小結 155
思考題 155
第四部分 機器學習實戰篇
第7章 機器學習算法 158
7.1 神經網絡 158
7.1.1 rosenblatt感知器 159
7.1.2 梯度下降 173
7.1.3 反嚮傳播與多層感知器 180
7.1.4 python神經網絡庫 199
7.2 統計算法 201
7.2.1 平均值 201
7.2.2 方差與標準差 203
7.2.3 貝葉斯算法 205
7.3 歐氏距離 208
7.4 餘弦相似度 209
7.5 svm 210
7.5.1 數學原理 210
7.5.2 smo算法 212
7.5.3 算法應用 212
7.6 迴歸算法 217
7.6.1 綫性代數基礎 217
7.6.2 最小二乘法原理 218
7.6.3 綫性迴歸 219
7.6.4 多元非綫性迴歸 221
7.6.5 嶺迴歸方法 223
7.6.6 僞逆方法 224
7.7 pca降維 225
7.8 小結 227
思考題 227
第8章 數據擬閤案例 228
8.1 數據擬閤 228
8.1.1 圖像分析法 228
8.1.2 神經網絡擬閤法 240
8.2 綫性濾波 256
8.2.1 wav聲音文件 256
8.2.2 綫性濾波算法過程 256
8.2.3 濾波python實現 257
8.3 小結 262
思考題 262
第9章 圖像識彆案例 264
9.1 圖像邊緣算法 264
9.1.1 數字圖像基礎 264
9.1.2 算法描述 265
9.2 圖像匹配 266
9.2.1 差分矩陣求和 267
9.2.2 差分矩陣均值 269
9.2.3 歐氏距離匹配 271
9.3 圖像分類 277
9.3.1 餘弦相似度 277
9.3.2 pca圖像特徵提取算法 283
9.3.3 基於神經網絡的圖像分類 284
9.3.4 基於svm的圖像分類 289
9.4 人臉辨識 291
9.4.1 人臉定位 291
9.4.2 人臉辨識 293
9.5 手寫數字識彆 300
9.5.1 手寫數字識彆算法 300
9.5.2 算法的python實現 301
9.6 小結 303
思考題 304
第10章 文本分類案例 305
10.1 文本分類概述 305
10.2 餘弦相似度分類 306
10.2.1 中文分詞 306
10.2.2 停用詞清理 308
10.2.3 算法實戰 310
10.3 樸素貝葉斯分類 315
10.3.1 算法描述 316
10.3.2 先驗概率計算 316
10.3.3 最大後驗概率 316
10.3.4 算法實現 317
10.4 小結 323
思考題 323
· · · · · · (收起)