第一部分准备篇 2
第1章 机器学习发展及应用前景 2
1.1机器学习概述 2
1.1.1什么是机器学习 3
1.1.2机器学习的发展 3
1.1.3机器学习的未来 4
1.2机器学习应用前景 5
1.2.1数据分析与挖掘 5
1.2.2模式识别 5
1.2.3更广阔的领域 6
1.3小结 7
第2章 科学计算平台 8
2.1科学计算软件平台概述 8
2.1.1常用的科学计算软件 9
2.1.2本书使用的工程计算平台 10
2.2计算平台的配置 11
2.2.1 Numpy等Python科学计算包的安装与配置 11
2.2.2 OpenCV安装与配置 13
2.2.3 mlpy安装与配置 14
2.2.4 BeautifulSoup安装与配置 15
2.2.5 Neurolab安装与配置 15
2.2.6 R安装与配置 15
2.3小结 16
第二部分 基础篇 18
第3章 机器学习数学基础 18
3.1数学对我们有用吗 18
3.2机器学习需要哪些数学知识 20
3.3小结 25
第4章 计算平台应用实例 26
4.1 Python计算平台简介及应用实例 26
4.1.1 Python语言基础 26
4.1.2 Numpy库 37
4.1.3 pylab、 matplotlib绘图 44
4.1.4图像基础 46
4.1.5图像融合与图像镜像 55
4.1.6图像灰度化与图像加噪 57
4.1.7声音基础 60
4.1.8声音音量调节 63
4.1.9图像信息隐藏 68
4.1.10声音信息隐藏 72
4.2 R语言基础 78
4.2.1基本操作 78
4.2.2向量 81
4.2.3对象集属性 87
4.2.4因子和有序因子 88
4.2.5循环语句 89
4.2.6条件语句 89
4.3 R语言科学计算 90
4.3.1分类（组）统计 90
4.3.2数组与矩阵基础 91
4.3.3数组运算 94
4.3.4矩阵运算 95
4.4 R语言计算实例 103
4.4.1学生数据集读写 103
4.4.2最小二乘法拟合 105
4.4.3交叉因子频率分析 106
4.4.4向量模长计算 107
4.4.5欧氏距离计算 108
4.5小结 109
思考题 109
第三部分统计分析实战篇 112
第5章 统计分析基础 112
5.1数据分析概述 112
5.2数学基础 113
5.3回归分析 118
5.3.1单变量线性回归 118
5.3.2多元线性回归 121
5.3.3非线性回归 121
5.4数据分析基础 124
5.4.1区间频率分布 124
5.4.2数据直方图 126
5.4.3数据散点图 127
5.4.4五分位数 129
5.4.5累积分布函数 130
5.4.6核密度估计 130
5.5数据分布分析 132
5.6小结 134
思考题 135
第6章 统计分析案例 136
6.1数据图形化案例解析 136
6.1.1点图 136
6.1.2饼图和条形图 137
6.1.3茎叶图和箱线图 138
6.2数据分布趋势案例解析 140
6.2.1平均值 140
6.2.2加权平均值 140
6.2.3数据排序 141
6.2.4中位数 142
6.2.5极差、半极差 142
6.2.6方差 143
6.2.7标准差 143
6.2.8变异系数、样本平方和 143
6.2.9偏度系数、峰度系数 144
6.3正态分布案例解析 145
6.3.1正态分布函数 145
6.3.2峰度系数分析 146
6.3.3累积分布概率 146
6.3.4概率密度函数 147
6.3.5分位点 148
6.3.6频率直方图 151
6.3.7核概率密度与正态概率分布图 151
6.3.8正太检验与分布拟合 152
6.3.9其他分布及其拟合 154
6.4小结 155
思考题 155
第四部分 机器学习实战篇 158
第7章 机器学习算法 158
7.1神经网络 158
7.1.1 Rosenblatt感知器 159
7.1.2梯度下降 173
7.1.3反向传播与多层感知器 180
7.1.4 Python神经网络库 199
7.2统计算法 201
7.2.1平均值 201
7.2.2方差与标准差 203
7.2.3贝叶斯算法 205
7.3欧氏距离 208
7.4余弦相似度 209
7.5 SVM 210
7.5.1数学原理 210
7.5.2 SMO算法 212
7.5.3算法应用 212
7.6回归算法 217
7.6.1线性代数基础 217
7.6.2最小二乘法原理 218
7.6.3线性回归 219
7.6.4多元非线性回归 221
7.6.5岭回归方法 223
7.6.6伪逆方法 224
7.7 PCA降维 225
7.8小结 227
思考题 227
第8章 数据拟合案例 228
8.1数据拟合 228
8.1.1图像分析法 228
8.1.2神经网络拟合法 240
8.2线性滤波 256
8.2.1 WAV声音文件 256
8.2.2线性滤波算法过程 256
8.2.3滤波Python实现 257
8.3小结 262
思考题 262
第9章 图像识别案例 264
9.1图像边缘算法 264
9.1.1数字图像基础 264
9.1.2算法描述 265
9.2图像匹配 266
9.2.1差分矩阵求和 267
9.2.2差分矩阵均值 269
9.2.3欧氏距离匹配 271
9.3图像分类 277
9.3.1余弦相似度 277
9.3.2 PCA图像特征提取算法 283
9.3.3基于神经网络的图像分类 284
9.3.4基于SVM的图像分类 289
9.4人脸辨识 291
9.4.1人脸定位 291
9.4.2人脸辨识 293
9.5手写数字识别 300
9.5.1手写数字识别算法 300
9.5.2算法的Python实现 301
9.6小结 303
思考题 304
第10章 文本分类案例 305
10.1文本分类概述 305
10.2余弦相似度分类 306
10.2.1中文分词 306
10.2.2停用词清理 308
10.2.3算法实战 310
10.3朴素贝叶斯分类 315
10.3.1算法描述 316
10.3.2先验概率计算 316
10.3.3最大后验概率 316
10.3.4算法实现 317
10.4小结 323
思考题 323