第1章 机器学习基础

²  机器学习概述

²  监督学习简介

²  非监督学习简介

²  增强学习简介

²  深度学习简介

²  机器学习常用术语

第2章 Python 机器学习及分析工具

²  矩阵操作函数库（NumPy）

u  NumPy的安装

u  NumPy的基本使用

²  科学计算的核心包（SciPy）

u  科学计算的核心包的安装

u  科学计算的核心包的基本使用

²  Python 的绘图库（Matplotlib）

u  Matplotlib简介及安装

u  Matplotlib的基本使用

²  数据分析包（Pandas）

u  Pandas简介和安装

u  Pandas的基本使用方法

²  机器学习函数库（Scikit-learn）

²  统计建模工具包（StatsModels）

²  深度学习框架（TensorFlow）

第3章 数据预处理

²   数据预处理概述

²  数据清理

u  异常数据处理

u  缺失值处理

u  噪声数据处理

²  数据集成

²  数据变换

²  数据归约

²  Python的主要数据预处理函数

u  Python的数据结构

u  数据缺失处理函数

第4章 分类问题

²   分类概述

²  常用方法

u  k-近邻算法

u  朴素贝叶斯

u   支持向量机

u  AdaBoost算法

u  决策树

u  Multi-layer Perceptron 多层感知机

²  项目实战

u  实例1：使用k-近邻算法实现约会网站的配对效果

u  实例2：使用朴素贝叶斯过滤垃圾邮件

u  实例3：SVM实现手写识别系统

u  实例4：基于单层决策树构建分类算法

u  实例5：使用决策树对iris数据集分类

u  实例6：使用决策树对身高体重数据进行分类

u  实例7：使用k-近邻算法对鸢尾花数据进行交叉验证

u  使用多层感知器分析，根据葡萄酒的各项化学特征来判断葡萄酒的优劣

第5章 预测分析

²  预测概述

²  常用方法

u  时间序列分析预测法

u  BP神经网络模型

²  项目实战

u  实例1：根据一年的历史数据预测后十年的数据趋势

u  实例2：使用神经网络预测公路运量

第6章 关联分析

²  关联分析概述

²  基本方法

u  Apriori算法

u  FP-Growth算法

²  项目实战（解决目前流行的实际问题）

u  用Apriori进行关联分析的实例

u  使用FP-Growth算法提取频繁项集

第7章 网络爬虫

²  网络爬虫概述

u  网络爬虫原理

u  爬虫分类

²  网页抓取策略和方法

u  网页抓取策略

u  网页抓取的方法

²  项目实战

u  用Python抓取指定的网页

u  用Python抓取包含关键词的网页

u  下载贴吧中的图片

u  股票数据抓取

第8章 集成学习

²  集成学习概述

²  常用方法

u  Bagging和随机森林

u  Boosting和AdaBoost

²  项目实战

u  使用随机森林方法预测乘员的存活概率

u  使用AdaBoost方法进行二元分类

第9章 深度学习

²  深度学习概述

²  常用方法

u  监督学习的深度学习网络结构

u  非监督学习的深度学习网络结构

²  项目实战

u  使用TensorFlow框架进行MNIST数据集生成

u  使用Theano框架进行MNIST数字识别

第10章 数据降维及压缩

²  数据降维及压缩概述

u   数据降维

u   图像压缩

²  基本方法

u  主成分分析

u  奇异值分解

²  项目实战

u  主成分分析PCA实例

u  使用奇异值分解进行图像压缩

第11章 聚类分析

²  聚类分析概述

²  K-means算法

u  K-means算法与步骤

u  K-means算法涉及的问题

u  实际聚类问题的处理流程

²  项目实战

u  K-means算法实现二维数据聚类

u  使用Scikit-learn中的方法进行聚类分析

第12章 回归分析问题

²  回归分析概述

²  基本方法

u  一元回归分析

u  多元线性回归

u  回归的计算方法

u  逻辑回归分析

²  项目实战

u  身高与体重的回归分析

u  房价预测

u  产品销量与广告的多元回归分析

u  鸢尾花数据的逻辑回归分析