目录

第一部分：基础理论篇
模块 1 机器学习认知 2
1.1 理解机器学习的本质 2
1.2 机器学习定义与三要素 4
      1.2.1 从教电脑学习说起 4
      1.2.2 官方定义与通俗解读 5
      1.2.3 核心三要素深度解析 5
1.3 机器学习应用场景 9
      1.3.1 分类：精准判定事物类别 10
      1.3.2 回归：精准预测连续数值 11
      1.3.3 聚类：自主实现数据相似分组 13
      1.3.4 特征工程：数据的有效表征基础 14
      1.3.5 应用原则：问题导向的实践逻辑 15
1.4 Python 在机器学习中的优势 16
      1.4.1 简洁易读的语法，降低入门门槛 16
      1.4.2 丰富的开源生态，覆盖全流程工具链 16
      1.4.3 跨平台兼容性与部署灵活性 17
      学习考核 17
模块 2 Python 机器学习生态 19
2.1 核心工具库认知 19
      2.1.1 NumPy：数值计算的基石 19
      2.1.2 Pandas：数据处理的核心利器 19 
      2.1.3 Scikit-learn：机器学习模型的“百宝箱” 20
      2.1.4 辅助工具库 20
2.2 环境配置（Python3.10） 20
      2.2.1 Windows 系统配置 21
      2.2.2 Mac 系统配置 23
      2.2.3 安装 Anaconda 24
2.3 Python 编程基础 27
      2.3.1 基本语法与数据类型 28
      2.3.2 流程控制 29
      2.3.3 函数与库导入 31
      2.3.4 实战：简单数据处理 31
      学习考核 32
第二部分：工具与算法实践
模块 3 数据预处理与特征工程 36
3.1 数据清洗与标准化 36
      3.1.1 数据清洗：让数据变“干净” 36
      3.1.2 数据标准化：让特征公平比较 42
3.2 特征提取与降维技术 44
      3.2.1 特征工程：从数据中挖掘宝藏 44
      3.2.2 特征选择：去芜存菁 46
      3.2.3 降维技术：化繁为简 48
实训项目一 乳腺癌肿瘤预测完整流程 52
      学习考核 56
模块 4 监督学习算法 58
4.1 K 近邻算法（KNN）实战 58
      4.1.1 生活中的“近邻”智慧 58
      4.1.2 KNN 算法：最简单的机器学习入门 59
      4.1.3 实战：用 KNN 识别鸢尾花 60
      4.1.4 KNN 的特点与适用场景 62
4.2 决策树与随机森林 62
      4.2.1 决策树：玩一场“20 问”猜动物游戏 62
      4.2.2 决策树如何“学习”最佳问题 63
      4.2.3 可视化：看看决策树长什么样 64
      4.2.4 决策树的过拟合问题 66
      4.2.5 随机森林：集体的智慧 67
      4.2.6 特征重要性：找出真正的关键因素 69
      4.2.7 决策树与随机森林全面对比 71
实训项目二 鸢尾花分类系统开发 71
      学习考核 80
模块 5 无监督学习算法：发现数据的内在秩序 82
5.1 无监督学习：数据的自我探索 82
5.2 K 均值聚类：给数据分组的“高效管理员” 83
      5.2.1 从生活中的分类说起 83
      5.2.2 K 均值聚类算法：一步一步的“分类舞” 84
      5.2.3 Python 实战：用代码实现 K 均值聚类 87
      5.2.4 如何选择正确的 K 值？肘部法则来帮忙 87
      5.2.5 K 均值聚类的优缺点与应用场景 88
5.3 主成分分析（PCA）：给数据“美颜”与“瘦身” 90
      5.3.1 从多角度看问题说起 90
      5.3.2 PCA 的直观理解：降维的艺术 91
      5.3.3 PCA 的数学原理（简化版） 91
      5.3.4 如何选择主成分数量？ 93
      5.3.5 PCA 的实际应用 93
      5.3.6 PCA 的局限性 95
实训项目三 客户分群分析 95
      学习考核 106
第三部分：综合实训项目
模块 6 文本数据处理实战 110
6.1 文本特征提取 110
      6.1.1 文本特征提取的意义 110
      6.1.2 词袋模型：最简单的文本表示法 110
      6.1.3 停用词问题与解决方案 113
      6.1.4 TF-IDF：让重要的词脱颖而出 114
      6.1.5 N-gram：考虑词语组合 118
      6.1.6 实战项目：商品评价关键词提取 120
6.2 情感分析系统构建 126
      6.2.1 情感分析的应用场景 126
      6.2.2 情感分析的基本原理 127
      6.2.3 完整的情感分析项目实战 128
      6.2.4 情感分析系统优化 137
实训项目四 新闻分类系统开发 142
      学习考核 154
模块 7 图像识别项目 156
7.1 图像特征提取 156
      7.1.1 计算机如何“看懂”图像？ 156 
      7.1.2 OpenCV 基础操作：计算机的“眼睛” 156
      7.1.3 特征提取：寻找图像的“关键信息” 159
      7.1.4 传统图像特征提取方法总结 163
7.2 卷积神经网络（CNN）入门 163
      7.2.1 课程引入：从“手工特征”到“自动学习” 163
      7.2.2 CNN 的基本原理：模仿人类的视觉系统 163
      7.2.3 CNN 的优势：为什么比传统方法更好？ 166
      7.2.4 激活函数：神经网络的“开关” 167
实训项目五 邮政编码识别系统 168
      学习考核 173
模块 8 实战：从模型评估到竞赛体验——你的 AI 技能大舞台 175
8.1 从课堂到赛场：AI 实战能力升华之路 175
8.1 模型的好坏如何判断——学会看模型的“体检报告” 176
      8.1.1 交叉验证：让评估更稳当 176
      8.1.2 混淆矩阵：看清模型在哪里“犯糊涂” 177
      8.1.3 精准率 vs 召回率：不同的管理哲学 178
      8.1.4 如何选择评估指标？ 179
8.2 如何让模型变得更好——模型调优实战 179
8.3 综合实战：MovieLens 电影评分预测挑战 180
      8.3.1 认识你的数据 180
      8.3.2 特征工程：准备模型的“食材” 181
      8.3.3 训练、评估与优化你的预测模型 181
      8.3.4 挑战升级：运用网格搜索进行优化 182
      8.3.5 生成可提交的结果 183
8.4 总结与启程：从本模块走向大赛 183
      学习考核 184
第四部分：进阶与部署
模块 9 模型评估与优化——让模型更上一层楼 188
9.1 交叉验证进阶：设计公平的“模拟考” 188
      9.1.1 三套试卷的故事：训练集、验证集与测试集 188
      9.1.2 K 折交叉验证：更充分利用数据的“模拟考” 189
      9.1.3 分层交叉验证：保证“模拟考”的公平性 191
9.2 超参数调优实战：寻找模型的最佳“配置” 192
      9.2.1 验证集调参的风险 192
      9.2.2 带交叉验证的网格搜索：正确的调参流程 193
      9.2.3 分析调优过程：从结果中学习 195
实训项目六 学生成绩预警系统——模型调优对比实验 196
      学习考核 199
模块 10 生产环境部署 201
10.1 模型序列化与 API 接口开发 201
      10.1.1 从实训室到生产：为什么需要部署 201 
      10.1.2 模型序列化：保存训练成果 202
      10.1.3 API 接口开发：让模型提供服务 203
      10.1.4 实际应用：将 API 集成到其他系统 205
10.2 性能监控与迭代 206
      10.2.1 为什么需要性能监控 206
      10.2.2 性能监控系统实现 206
      10.2.3 A/B 测试：科学的模型迭代方法 207
      10.2.4 模型版本管理与迭代策略 208
      学习考核 209
附录 推荐数据集与配套资源汇总表 210
参考文献 212

世纪宏图免费样书、课件申请表

尊敬的老师：

您好！欢迎您领取本书样书，高校教师免费领取，包邮，每人1-3本。提交申请样书信息后，由对应区域负责人安排邮寄，1-3天内寄出。如有其他问题，请联系：薛老师 13810412048 （微信同号） QQ: 2301407762 进行咨询和处理。