白话机器学习——统计+概率+算法原理电子书

封面页

书名页

版权页

内容简介

作者简介

前言

目录

第1章　机器学习基本概念

1-1　人工智能、机器学习、深度学习

1-2　认识机器学习

1-3　机器学习的种类

1-3-1　监督学习

1-3-2　无监督学习

1-3-3　强化学习

1-4　机器学习的应用范围

1-5　深度学习

第2章　机器学习的基础数学

2-1　用数字描绘事物

2-2　变量概念

2-3　从变量到函数

2-4　等式运算的规则

2-5　代数运算的基本规则

2-6　用数学抽象化开餐厅的生存条件

2-6-1　数学模型

2-6-2　经营数字预估

2-6-3　经营绩效的计算

2-7　基础数学的结论

第3章　认识方程式、函数、坐标图形

3-1　认识方程式

3-2　方程式文字描述方法

3-3　一元一次方程式

3-4　函数

3-5　坐标图形分析

3-5-1　坐标图形与线性关系

3-5-2　斜率与截距的意义

3-5-3　细看斜率

3-5-4　细看y截距

3-5-5　细看x截距

3-6　将线性函数应用于机器学习

3-6-1　再看直线函数与斜率

3-6-2　机器学习与线性回归

3-6-3　相同斜率平行移动

3-6-4　不同斜率与相同截距

3-6-5　不同斜率与不同截距

3-7　二元函数到多元函数

3-7-1　二元函数基本概念

3-7-2　二元函数的图形

3-7-3　等高线图

3-7-4　多元函数

3-8　Sympy模块

3-8-1　定义符号

3-8-2　name属性

3-8-3　定义多个符号变量

3-8-4　符号的运算

3-8-5　将数值代入公式

3-8-6　将字符串转为数学表达式

3-8-7　Sympy模块支持的数学函数

3-8-8　解一元一次方程式

第4章　从联立方程式看机器学习的数学模型

4-1　数学概念建立连接两点的直线

4-1-1　基础概念

4-1-2　联立方程式

4-1-3　使用加减法解联立方程式

4-1-4　使用代入法解联立方程式

4-1-5　使用Sympy解联立方程式

4-2　机器学习使用联立方程式推估数据

4-2-1　基本概念

4-2-2　数据推估

4-3　从两条直线的交叉点推估科学数据

4-3-1　鸡兔同笼

4-3-2　达成业绩目标

4-4　两条直线垂直交叉

4-4-1　基础概念

4-4-2　求解坐标某一点至一条直线的垂直线

第5章　从勾股定理看机器学习

5-1　验证勾股定理

5-1-1　认识直角三角形

5-1-2　验证勾股定理

5-2　将勾股定理应用于性向测试

5-2-1　问题核心分析

5-2-2　数据运算

5-3　将勾股定理应用于三维空间

5-4　将勾股定理应用于更高维的空间

5-5　电影分类

5-5-1　规划特征值

5-5-2　项目程序实操

5-5-3　电影分类结论

5-6　计算两个向量的欧几里得距离

第6章　联立不等式与机器学习

6-1　联立不等式与机器学习的关系

6-2　再看联立不等式的基本概念

6-3　联立不等式的线性规划

6-3-1　案例分析

6-3-2　用联立不等式表达

6-3-3　在坐标轴上绘不等式的区域

6-3-4　目标函数

6-3-5　平行移动目标函数

6-3-6　将交叉点坐标代入目标函数

6-4　Python计算

第7章　机器学习需要知道的二次函数

7-1　二次函数的基础数学

7-1-1　求一元二次方程式的根

7-1-2　绘制一元二次方程式的图形

7-1-3　一元二次方程式的最小值与最大值

7-1-4　一元二次函数参数整理

7-1-5　一元三次函数的图形特征

7-2　从一次到二次函数的实务

7-2-1　呈现好的变化

7-2-2　呈现不好的变化

7-3　认识二次函数的系数

7-4　使用3个点求解一元二次函数

7-4-1　手动求解一元二次函数

7-4-2　程序求解一元二次函数

7-4-3　绘制一元二次函数

7-4-4　使用业绩回推应有的拜访次数

7-5　二次函数的配方法

7-5-1　基本概念

7-5-2　配方法

7-5-3　从标准式计算二次函数的最大值

7-5-4　从标准式计算二次函数的最小值

7-6　二次函数与解答区间

7-6-1　营销问题分析

7-6-2　二次函数分析增加业绩的脸书营销次数

7-6-3　将不等式应用在条件区间

7-6-4　非实数根

第8章　机器学习的最小二乘法

8-1　最小二乘法基本概念

8-1-1　基本概念

8-1-2　数学观点

8-2　简单的企业实例

8-3　机器学习建立含误差值的线性方程式

8-3-1　概念启发

8-3-2　三项和的平方

8-3-3　公式推导

8-3-4　使用配方法计算直线的斜率和截距

8-4　Numpy实操最小二乘法

8-5　线性回归

8-6　实务应用

第9章　机器学习必须懂的集合

9-1　使用Python建立集合

9-1-1　使用{ }建立集合

9-1-2　集合元素是唯一的

9-1-3　使用set( )建立集合

9-1-4　集合的基数

9-1-5　建立空集合要用set( )

9-1-6　大数据与集合的应用

9-2　集合的操作

9-2-1　交集

9-2-2　并集

9-2-3　差集

9-2-4　对称差集

9-3　子集、超集与补集

9-3-1　子集

9-3-2　超集

9-3-3　补集

9-4　加入与删除集合元素

9-5　幂集与Sympy模块

9-5-1　Sympy模块与集合

9-5-2　建立幂集

9-5-3　幂集的元素个数

9-6　笛卡儿积

9-6-1　集合相乘

9-6-2　集合的n次方

第10章　机器学习必须懂的排列与组合

10-1　排列的基本概念

10-1-1　试验与事件

10-1-2　事件结果

10-2　有多少条回家路

10-3　排列组合

10-4　阶乘的概念

10-5　重复排列

10-6　组合

第11章　机器学习需要认识的概率

11-1　概率的基本概念

11-2　数学概率与统计概率

11-3　事件概率名称

11-4　事件概率规则

11-4-1　不发生概率

11-4-2　概率相加

11-4-3　概率相乘

11-4-4　常见的陷阱

11-5　抽奖的概率——加法与乘法综合应用

11-6　余事件与乘法的综合应用

11-7　条件概率

11-7-1　基础概念

11-7-2　再谈实例

11-8　贝叶斯定理

11-8-1　基本概念

11-8-2　用实例验证贝叶斯定理

11-8-3　贝叶斯定理的运用——COVID-19的全民普筛准确性推估

11-8-4　再看一个医学实例

11-8-5　贝叶斯定理筛选垃圾电子邮件的基础概念

11-8-6　垃圾邮件分类项目实操

11-9　蒙特卡洛模拟

11-10　Numpy的随机模块random

11-10-1　np.random.rand( )

11-10-2　np.random.randint( )

11-10-3　np.random.seed( )

11-10-4　np.random.shuffle( )

11-10-5　np.random.choice( )

11-10-6　使用随机数数组产生图像

第12章　二项式定理

12-1　二项式的定义

12-2　二项式的几何意义

12-3　二项式展开与规律性分析

12-4　找出xn~-kyk项的系数

12-4-1　基础概念

12-4-2　组合数学概念

12-4-3　系数公式推导与验证

12-5　二项式的通式

12-5-1　验证头尾系数比较

12-5-2　中间系数验证

12-6　二项式到多项式

12-7　二项分布实验

12-8　将二项式概念应用于业务数据分析

12-8-1　每5次销售0张考卷的概率

12-8-2　每5次销售1张考卷的概率

12-8-3　每5次销售2张考卷的概率

12-8-4　每5次销售0~2张考卷的概率

12-8-5　列出拜访5次销售k张考卷的概率通式

12-9　二项式概率分布Python实操

12-10　Numpy随机数模块的binomial( )函数

12-10-1　可视化模块Seaborn

12-10-2　Numpy的二项式随机函数binomial

第13章　指数概念与指数函数

13-1　认识指数函数

13-1-1　基础概念

13-1-2　复利计算实例

13-1-3　病毒复制

13-1-4　指数应用在价值衰减

13-1-5　用指数概念看iPhone容量

13-2　指数运算的规则

13-3　指数函数的图形

13-3-1　底数是变量的图形

13-3-2　指数是实数变量

13-3-3　指数是实数变量但底数小于1

第14章　对数

14-1　认识对数函数

14-1-1　对数的由来

14-1-2　从数学看指数的运作概念

14-1-3　再看对数函数

14-1-4　天文数字的处理

14-1-5　Python的对数函数应用

14-2　对数表的功能

14-2-1　对数表基础应用

14-2-2　更精确的对数表

14-3　对数运算可以解决指数运算的问题

14-3-1　用指数处理相当数值的近似值

14-3-2　使用对数简化运算

14-4　认识对数的特性

14-5　对数的运算规则与验证

14-5-1　等号两边使用对数处理结果不变

14-5-2　对数的真数是1

14-5-3　对数的底数等于真数

14-5-4　对数内真数的指数可以移到外面

14-5-5　对数内真数是两数据相乘结果是两数据各取对数后再相加

14-5-6　对数内真数是两数据相除结果是两数据先取对数后再相减

14-5-7　底数变换

第15章　欧拉数与逻辑函数

15-1　认识欧拉数

15-1-1　认识欧拉数

15-1-2　欧拉数的缘由

15-1-3　欧拉数使用公式做定义

15-1-4　计算与绘制欧拉数的函数图形

15-2　逻辑函数

15-2-1　认识逻辑函数

15-2-2　x是正无限大

15-2-3　x是0

15-2-4　x是负无限大

15-2-5　绘制逻辑函数

15-2-6　Sigmoid函数

15-3　logit函数

15-3-1　认识Odds

15-3-2　从Odds到logit函数

15-3-3　绘制logit函数

15-4　逻辑函数的应用

15-4-1　事件说明与分析

15-4-2　从逻辑函数到logit函数

15-4-3　使用logit函数获得系数

第16章　三角函数

16-1　直角三角形的边长与夹角

16-2　三角函数的定义

16-3　计算三角形的面积

16-3-1　计算直角三角形面积

16-3-2　计算非直角三角形面积

16-4　角度与弧度

16-4-1　角度的定义

16-4-2　弧度的由来

16-4-3　角度与弧度的换算

16-4-4　圆周弧长的计算

16-4-5　计算扇形面积

16-5　程序处理三角函数

16-6　从单位圆看三角函数

16-7　三角函数与机器学习的关系

第17章　基础统计与大型运算符

17-1　母体与样本

17-2　数据求和

17-3　数据分布

17-4　数据中心指针

17-4-1　平均数

17-4-2　中位数

17-4-3　众数

17-4-4　统计模块statistics的众数

17-4-5　分数分布图

17-5　数据分散指针

17-5-1　方差

17-5-2　标准差

17-6　∑符号运算规则与验证

17-7　活用∑符号

17-8　回归分析

17-8-1　相关系数

17-8-2　建立线性回归模型与数据预测

17-8-3　二次函数的回归模型

17-9　随机函数的分布

17-9-1　randn( )

17-9-2　normal( )

17-9-3　uniform( )

第18章　机器学习的向量

18-1　向量的基础概念

18-1-1　机器学习的向量知识

18-1-2　认识标量

18-1-3　认识向量

18-1-4　向量表示法

18-1-5　计算向量分量

18-1-6　相对位置的向量

18-1-7　不同路径的向量运算

18-2　向量加法的规则

18-3　向量的长度

18-4　向量方程式

18-4-1　直线方程式

18-4-2　Python实操连接两点的方程式

18-4-3　使用向量建立回归方程式的理由

18-5　向量内积

18-5-1　协同工作的概念

18-5-2　计算B所帮的忙

18-5-3　向量内积的定义

18-5-4　两条直线的夹角

18-5-5　向量内积的性质

18-5-6　余弦相似度

18-6　皮尔逊相关系数

18-6-1　皮尔逊相关系数定义

18-6-2　网络购物问卷调查案例解说

18-6-3　向量内积计算系数

18-7　向量外积

18-7-1　法线向量

18-7-2　计算面积

第19章　机器学习的矩阵

19-1　矩阵的表达方式

19-1-1　矩阵的行与列

19-1-2　矩阵变量名称

19-1-3　常见的矩阵表达方式

19-1-4　矩阵元素表达方式

19-2　矩阵相加与相减

19-2-1　基础概念

19-2-2　Python实操

19-3　矩阵乘以实数

19-4　矩阵乘法

19-4-1　乘法基本规则

19-4-2　乘法案例

19-4-3　矩阵乘法规则

19-5　方阵

19-6　单位矩阵

19-7　逆矩阵

19-7-1　基础概念

19-7-2　Python实操

19-8　用逆矩阵解联立方程式

19-9　张量

19-10　转置矩阵

19-10-1　基础概念

19-10-2　Python实操

19-10-3　转置矩阵的规则

19-10-4　转置矩阵的应用

第20章　向量、矩阵与多元线性回归

20-1　向量应用于线性回归

20-2　向量应用于多元线性回归

20-3　矩阵应用于多元线性回归

20-4　将截距放入矩阵

20-5　简单的线性回归

第21章　三次函数回归曲线的程序实操

21-1　绘制数据的散点图

21-2　三次函数的回归曲线模型

21-3　使用Scikit-learn模块评估回归模型

21-3-1　评估机器学习模型的概念

21-3-2　评估模型

21-4　预测未来值

21-5　不适合三次函数回归的数据

21-5-1　绘制三次函数回归线

21-5-2　计算R平方判定系数

第22章　机器学习使用Scikit-learn入门

22-1　Scikit-learn的历史

22-2　机器学习的数据集

22-2-1　Scikit-learn内建的数据集

22-2-2　Kaggle数据集

22-2-3　UCI数据集

22-2-4　Scikit-learn函数生成数据

22-3　Scikit-learn生成数据实操

22-3-1　线性分布数据

22-3-2　群集分布数据

22-3-3　交错半月群集数据

22-3-4　环形结构分布的群集数据

22-3-5　产生n-class分类数据集

22-4　Scikit-learn数据预处理

22-4-1　标准化数据StandardScaler

22-4-2　设定数据区间MinMaxScaler

22-4-3　特殊数据缩放RobustScaler

22-5　机器学习Scikit-learn入门

22-5-1　身高与体重的数据

22-5-2　线性拟合数据LinearRegression

22-5-3　数据预测predict( )

22-5-4　模型的存储与开启

22-5-5　计算线性回归线的斜率和截距

22-5-6　R平方判定系数检验模型的性能

22-6　分类算法-机器学习模型的性能评估

22-6-1　计算精确度accuracy_score( )

22-6-2　召回率recall_score( )

22-6-3　F1分数f1_score( )

22-6-4　分类报告classification_report( )

22-6-5　混淆矩阵confusion_matrix( )

22-6-6　ROC_AUC分数

22-7　机器学习必须会的非数值数据转换

22-7-1　One-hot编码

22-7-2　特征名称由中文改为英文

22-7-3　数据对应map( )方法

22-7-4　标签转换LabelEncoder( )

22-8　机器学习算法

22-9　使用随机数据学习线性回归

22-9-1　建立训练数据与测试数据使用train_test_split( )

22-9-2　回归模型判断

22-9-3　score( )和r2_score( )方法的差异

第23章　线性回归（以波士顿房价为例）

23-1　从线性回归到多元线性回归

23-1-1　简单线性回归

23-1-2　多元线性回归

23-2　简单数据测试

23-2-1　身高、腰围与体重的测试

23-2-2　了解模型的优劣

23-3　波士顿房价数据集

23-3-1　认识波士顿房价数据集

23-3-2　输出数据集

23-4　用Pandas显示与预处理数据

23-4-1　用Pandas显示波士顿房价数据

23-4-2　将房价加入DataFrame

23-4-3　数据清洗

23-5　特征选择

23-6　使用最相关的特征做房价预估

23-6-1　绘制散点图

23-6-2　建立模型获得R平方判定系数、截距与系数

23-6-3　计算预估房价

23-6-4　绘制实际房价与预估房价

23-6-5　绘制3D的实际房价与预估房价

23-7　多项式回归

23-7-1　绘制散点图和回归直线

23-7-2　多项式回归公式

23-7-3　生成一元二次回归公式的多个特征项目

23-7-4　多项式特征应用在LinearRegression

23-7-5　机器学习理想模型

23-7-6　多元多项式的回归模型

23-7-7　绘制3D的实际房价与预估房价

23-8　用所有特征执行波士顿房价预估

23-9　残差图

23-10　梯度下降回归SGDRegressor( )

第24章　逻辑回归（以信用卡、葡萄酒、糖尿病为例）

24-1　浅谈线性回归的问题

24-2　逻辑回归概念回顾

24-2-1　基础概念复习

24-2-2　应用逻辑函数

24-2-3　线性回归与逻辑回归的差异

24-3　逻辑回归模型基础应用

24-3-1　语法基础

24-3-2　多分类算法解说

24-4　中国台湾信用卡持卡人数据集

24-4-1　认识UCI_Credit_Card.csv数据

24-4-2　挑选最重要的特征

24-4-3　用最相关的2个特征设计逻辑回归模型

24-4-4　使用全部的特征设计逻辑回归模型

24-5　葡萄酒数据

24-5-1　认识葡萄酒数据

24-5-2　使用逻辑回归算法执行葡萄酒分类

24-6　糖尿病数据

24-6-1　认识糖尿病数据

24-6-2　缺失值检查与处理

24-6-3　用直方图了解特征分布

24-6-4　用箱形图了解异常值

24-6-5　用所有特征值做糖尿病患者预估

24-6-6　绘制皮尔逊相关系数热力图

24-6-7　用最相关的皮尔逊系数做糖尿病预估

第25章　决策树（以葡萄酒、泰坦尼克号、Telco、Retail为例）

25-1　决策树基本概念

25-1-1　决策树应用在分类问题

25-1-2　决策树应用在回归问题

25-2　从天气数据认识决策树设计流程——分类应用

25-2-1　建立决策树模型对象

25-2-2　天气数据实例

25-3　葡萄酒数据——分类应用

25-3-1　默认条件处理葡萄酒数据

25-3-2　进一步认识决策树深度

25-3-3　绘制决策树图

25-4　泰坦尼克号——分类应用

25-4-1　认识泰坦尼克号数据集

25-4-2　决策树设计泰坦尼克号生存预测

25-4-3　交叉分析

25-5　Telco电信公司——分类应用

25-5-1　认识WA_Fn-UseC_-Telco-Customer-Churn.csv数据

25-5-2　决策树数据分析

25-5-3　了解特征对模型的重要性

25-5-4　交叉验证——决策树最佳深度调整

25-6　Retail Data Analytics——回归应用

25-6-1　用简单的数据预估房价

25-6-2　Retail Data Analytics数据

第26章　随机森林（以波士顿房价、泰坦尼克号、Telco、收入分析为例）

26-1　随机森林的基本概念

26-2　波士顿房价——回归应用

26-3　泰坦尼克号——分类应用

26-4　Telco客户流失——分类应用

26-5　美国成年人收入分析——分类应用

26-5-1　认识adult.csv数据

26-5-2　使用决策树处理年收入预估

26-5-3　决策树特征重要性

26-5-4　使用随机森林处理adult.csv文件

第27章　KNN算法（以鸢尾花、小行星撞地球为例）

27-1　KNN算法的基本概念

27-2　电影推荐、足球射门——分类应用

27-2-1　认识语法与简单实例

27-2-2　电影推荐

27-2-3　足球射门是否进球

27-2-4　绘制分类的决策边界

27-2-5　多分类模型的准确率分析

27-3　房价计算、选举准备香肠——回归应用

27-3-1　认识语法与简单实例

27-3-2　房价计算

27-3-3　选举造势与准备烤香肠数量

27-3-4　KNN模型的回归线分析

27-4　鸢尾花数据——分类应用

27-4-1　认识鸢尾花数据集

27-4-2　输出数据集

27-4-3　用Pandas显示鸢尾花数据

27-4-4　映射标签

27-4-5　绘制特征变量的散点图

27-4-6　绘制鸢尾花的决策边界

27-4-7　计算最优的k值

27-5　小行星撞地球——分类应用

27-5-1　认识NASA:Asteroids Classification

27-5-2　数据预处理

27-5-3　预测小行星撞地球的准确率

第28章　支持向量机（以鸢尾花、乳腺癌、汽车燃料为例）

28-1　支持向量机的基础概念

28-1-1　支持向量机的基本原理

28-1-2　最大区间的分割

28-1-3　认识支持向量、决策边界与超平面

28-1-4　超平面公式

28-2　支持向量机——分类应用的基础实例

28-2-1　绘制10个数据点

28-2-2　支持向量机的语法说明

28-2-3　推导超平面的斜率

28-2-4　绘制超平面和决策边界

28-2-5　数据分类

28-2-6　decision_function( )

28-3　从2维到3维的超平面

28-3-1　增加数据维度

28-3-2　计算3维的超平面公式与系数

28-3-3　绘制3维的超平面

28-4　认识核函数

28-4-1　linear

28-4-2　径向基函数——rbf

28-4-3　多项式函数——poly

28-4-4　支持向量机的方法

28-5　鸢尾花数据——分类应用

28-6　乳腺癌数据——分类应用

28-6-1　认识数据

28-6-2　线性支持向量机预测乳腺癌数据

28-6-3　不同核函数应用在乳腺癌数据

28-7　支持向量机——回归应用的基础实例

28-7-1　SVR( )语法说明

28-7-2　简单数据应用

28-7-3　电视购物广告效益分析

28-8　汽车燃耗效率数据集——回归分析

28-8-1　认识汽车燃耗效率数据集

28-8-2　使用SVR( )预测汽车燃料数据

第29章　单纯贝叶斯分类（以垃圾邮件、新闻分类、电影评论为例）

29-1　单纯贝叶斯分类原理

29-1-1　公式说明

29-1-2　简单实例

29-1-3　拉普拉斯平滑修正

29-2　词频向量模块——CountVerctorizer

29-3　多项式单纯贝叶斯模块——MultinomialNB

29-3-1　语法概念

29-3-2　文章分类实操

29-3-3　垃圾邮件分类

29-4　垃圾邮件分类——Spambase数据集

29-4-1　认识垃圾邮件数据集Spambase

29-4-2　垃圾邮件分类预测

29-5　新闻邮件分类——新闻数据集20newsgroups

29-5-1　认识新闻数据集20newsgroups

29-5-2　新闻分类预测

29-5-3　TfidfVectorizer模块——文件事前处理TF-IDF

29-5-4　输入文件做新闻分类

29-6　情感分析——IMDB电影评论数据集分析

29-6-1　基础概念实例

29-6-2　IMDB电影评论数据集

29-7　单纯贝叶斯分类于中文的应用

29-7-1　将中文字符串应用在CountVectorizer模块

29-7-2　jieba——结巴

29-7-3　jieba与CountVectorizer组合应用

29-7-4　简单中文情感分析程序

29-8　今日头条数据集

29-8-1　认识数据集

29-8-2　今日头条数据集实操

第30章　集成机器学习（以蘑菇、医疗保险、玻璃、加州房价为例）

30-1　集成学习的基本概念

30-1-1　基本概念

30-1-2　集合学习效果评估

30-2　集成学习——投票法Voting（鸢尾花、波士顿房价）

30-2-1　投票法——分类应用

30-2-2　投票法——回归应用

30-3　集成学习——装袋法Bagging（蘑菇、医疗保险）

30-3-1　装袋法——分类应用语法说明

30-3-2　蘑菇数据分类应用

30-3-3　装袋法——回归应用语法说明

30-3-4　医疗保险数据回归应用

30-4　集成学习——提升法AdaBoost（糖尿病、波士顿房价）

30-4-1　AdaBoost提升法——分类应用语法说明

30-4-2　AdaBoost提升法——回归应用语法说明

30-5　集成学习——提升法Gradient Boosting（玻璃、加州房价）

30-5-1　Gradient Boosting——分类应用语法说明

30-5-2　玻璃数据集分类的应用

30-5-3　Gradient Boosting——回归应用语法说明

30-5-4　加州房价数据集回归应用

30-6　集成学习——堆栈法Stacking（信用卡违约、房价预估）

30-6-1　StackingClassifier——分类应用语法说明

30-6-2　RidgeCV( )

30-6-3　StackingRegressor——回归应用语法说明

第31章　K均值聚类（以购物中心消费、葡萄酒评价为例）

31-1　认识无监督学习

31-1-1　回顾监督学习数据

31-1-2　无监督学习数据

31-1-3　无监督学习与监督学习的差异

31-1-4　无监督学习的应用

31-2　K均值算法

31-2-1　算法基础

31-2-2　Python硬功夫程序实操

31-3　Scikit-learn的KMeans模块

31-3-1　KMeans语法

31-3-2　聚类的基础实例

31-3-3　数据聚类的简单实例

31-4　评估聚类的效能

31-4-1　群内平方和

31-4-2　轮廓系数

31-4-3　调整兰德系数

31-5　最佳群集数量

31-5-1　肘点法

31-5-2　轮廓分析

31-6　消费分析——购物中心客户消费数据

31-6-1　认识Mall Customer Segmentation Data

31-6-2　收入与消费聚类

31-6-3　依据性别分析“年收入vs消费力”

31-6-4　依据年龄层分析“年收入vs消费力”

31-7　价格vs评价——葡萄酒Wine Reviews

31-7-1　认识Wine Reviews数据

第32章　PCA主成分分析（以手写数字、人脸数据为例）

32-1　PCA的基本概念

32-1-1　基本概念

32-1-2　PCA方法与基础数据实操

32-1-3　数据白化whiten

32-2　鸢尾花数据的PCA应用

32-2-1　鸢尾花数据降维

32-2-2　SVM与PCA在鸢尾花的应用

32-2-3　PCA主成分与原始特征的分析

32-3　数字辨识——手写数字digits dataset

32-3-1　认识手写数字数据集digits dataset

32-3-2　决策树与随机森林辨识手写数字

32-3-3　PCA与手写数字整合应用

32-4　人脸辨识——人脸数据Labeled Faces in the Wild

32-4-1　认识人脸数据LFW

32-4-2　人脸辨识预测

32-4-3　加上PCA的人脸辨识

第33章　阶层式分层（以小麦数据、老实泉为例）

33-1　认识阶层式聚类

33-2　凝聚型聚类

33-2-1　凝聚型聚类定义

33-2-2　简单实例解说linkage( )方法

33-2-3　单链接法说明

33-2-4　简单实例解说聚类方法

33-2-5　聚类方法ward( )

33-2-6　聚类数量的方法

33-2-7　凝聚型聚类AgglomerativeClustering

33-3　小麦数据集Seeds dataset

33-3-1　认识数据集Seeds dataset

33-3-2　凝聚型聚类应用在Seeds dataset

33-4　老实泉数据Old Faithful Geyser Data

33-4-1　认识老实泉数据集

33-4-2　绘制树形图

33-4-3　凝聚型聚类应用在老实泉数据

第34章　DBSCAN算法（以购物中心客户分析为例）

34-1　DBSCAN算法

34-1-1　DBSCAN算法的参数概念

34-1-2　点的定义

34-1-3　算法的步骤

34-2　Scikit-learn的DBSCAN模块

34-2-1　DBSCAN语法

34-2-2　DBSCAN算法基础实例

34-3　消费分析——购物中心客户消费数据

第35章　语音识别

35-1　语音转文字

35-1-1　建立模块与对象

35-1-2　开启音源

35-1-3　语音转文字

35-2　文字转语音

35-2-1　建立模块与对象

35-2-2　文字转语音方法

35-2-3　输出语音