目录介绍
第 1 章 数据挖掘与人工智能简介 1
1.1 大数据简介 1
1.2 数据挖掘简介 2
1.2.1 数据挖掘的典型流程 2
1.2.2 数据挖掘的任务类型 10
1.3 人工智能简介 12
1.3.1 人工智能的发展历程 12
1.3.2 专家系统简介 13
1.4 数据挖掘与人工智能的关系 15
1.5 相关职业与未来展望 16
1.6 常用软件与工具 17
1.6.1 Python 17
1.6.2 R 17
1.6.3 其他工具 17
课后习题 18
参考文献 18
第 2 章 Python 数据分析简介 19
2.1 Python 简介 19
2.1.1 Python 的起源与发展 19
2.1.2 Python 的设计理念与特点 20
2.1.3 Python 在不同领域的应用 21
2.2 基本数据结构与控制流 23
2.2.1 字符串 23
2.2.2 元组 23
2.2.3 列表 24
2.2.4 字典 25
2.2.5 循环 25
2.3 Python 的核心概念 27
2.3.1 函数 27
2.3.2 文件 28
2.4 Python 常用库 29
2.4.1 NumPy 30
2.4.2 Pandas 31
2.4.3 Matplotlib 42
2.4.4 Scikit-learn 45
课后习题 48
参考文献 49
第 3 章 数据理解和数据准备 50
3.1 数据对象的属性 50
3.1.1 属性的概念 50
3.1.2 属性的分类 51
3.2 数据理解 51
3.2.1 数据中心趋势度量 51
3.2.2 数据散布度量 52
3.2.3 图形显示 53
3.3 数据预处理概述 55
3.3.1 数据质量的影响因素 55
3.3.2 数据预处理的步骤与价值 56
3.3.3 数据导入介绍 56
3.4 数据清洗 57
3.4.1 缺失值处理 57
3.4.2 噪声平滑 59
3.4.3 异常值处理 60
3.5 数据集成 62
3.5.1 实体识别 62
3.5.2 解决数据值冲突问题 63
3.5.3 冗余数据检测与相关性分析 63
3.6 数据变换 67
3.6.1 数据变换方法 67
3.6.2 数据规范化 68
3.6.3 数据离散化 70
3.7 数据规约 72
3.7.1 维度规约 72
3.7.2 数量规约 74
课后习题 75
参考文献 75
第 4 章 关联分析 76
4.1 关联模型与模型评估 76
4.1.1 基本概念 76
4.1.2 关联规则的评估 78
4.2 Apriori 算法 82
4.2.1 算法介绍 82
4.2.2 基本原理 82
4.2.3 算法过程 84
4.2.4 算法特点 86
4.2.5 代码实践 86
4.3 FP-Growth 算法 89
4.3.1 算法介绍 89
4.3.2 基本原理 89
4.3.3 代码实践 93
课后习题 95
参考文献 96
第 5 章 回归分析 97
5.1 回归模型和模型评估 97
5.1.1 均方误差 98
5.1.2 均方根误差 98
5.1.3 平均绝对误差 98
5.1.4 决定系数 99
5.2 线性回归 99
5.2.1 算法介绍 99
5.2.2 基本原理 100
5.2.3 代码实践 101
5.3 Lasso 回归 104
5.3.1 算法介绍 104
5.3.2 基本原理 105
5.3.3 代码实践 106
5.4 其他回归模型 109
5.4.1 岭回归 109
5.4.2 弹性网回归 109
5.4.3 多项式回归 109
课后习题 109
参考文献 110
第 6 章 分类分析 111
6.1 分类模型和模型评估 111
6.1.1 准确率 112
6.1.2 精确率 112
6.1.3 召回率 112
6.1.4 F1 分数 112
6.1.5 其他评估指标 112
6.2 K 近邻 113
6.2.1 算法介绍 113
6.2.2 距离度量 113
6.2.3 K 的选择 114
6.2.4 代码实践 115
6.3 朴素贝叶斯 117
6.3.1 算法介绍 117
6.3.2 代码实践 119
6.4 决策树 122
6.4.1 算法介绍 122
6.4.2 最优划分特征选择 123
6.4.3 决策树剪枝 127
6.4.4 代码实践 127
6.5 支持向量机 131
6.5.1 线性支持向量机 131
6.5.2 非线性支持向量机 136
6.5.3 代码实践 138
课后习题 140
参考文献 141
第 7 章 聚类分析 142
7.1 聚类模型和模型评估 142
7.1.1 轮廓系数 143
7.1.2 戴维斯-布尔丁指数 143
7.1.3 Dunn 指数 143
7.2 k-均值聚类 144
7.2.1 算法介绍 144
7.2.2 k 的选择 146
7.2.3 代码实践 146
7.3 聚合型层次聚类 148
7.3.1 算法介绍 148
7.3.2 合并策略 149
7.3.3 代码实践 152
课后习题 154
参考文献 155
第 8 章 集成学习 156
8.1 集成学习概述 156
8.2 Bagging 和 Boosting 157
8.2.1 偏差和方差 157
8.2.2 Bagging 的原理 157
8.2.3 Boosting 的原理 158
8.2.4 Bagging 与 Boosting 的比较 159
8.3 随机森林 159
8.3.1 算法介绍 159
8.3.2 特征选择 160
8.3.3 代码实践 161
8.4 自适应增强 163
8.4.1 算法介绍 163
8.4.2 代码实践 165
8.5 集成学习有效性讨论 167
课后习题 168
参考文献 168
第 9 章 神经网络与深度学习 169
9.1 神经网络 170
9.1.1 神经元模型 170
9.1.2 激活函数 172
9.1.3 感知机模型与多层前馈网络 176
9.2 误差反向传播算法 177
9.2.1 BP 算法的原理 177
9.2.2 代码实践 180
9.3 深度学习介绍 182
9.3.1 卷积神经网络 182
9.3.2 循环神经网络及其变体 185
9.3.3 生成对抗网络和扩散模型 191
课后习题 192
参考文献 193
第 10 章 人工智能的伦理及其治理 195
10.1 概述 196
10.1.1 道德与伦理 196
10.1.2 伦理学 196
10.1.3 人工智能伦理问题 197
10.2 数据和算法的伦理 198
10.2.1 数据隐私 198
10.2.2 数据质量 199
10.2.3 人工智能偏见 200
10.2.4 算法的可解释性和算法信任 201
10.3 人工智能应用的伦理 201
10.3.1 聊天机器人 201
10.3.2 护理机器人 202
10.3.3 自动驾驶 204
10.3.4 深度合成 206
10.3.5 智能监控 207
10.3.6 大数据杀熟 208
10.3.7 算法合谋 208
10.3.8 军用机器人 209
10.4 人工智能社会影响的伦理 209
10.4.1 职业冲击 210
10.4.2 环境与气候变化 210
10.4.3 贫富差距 211
10.5 人工智能伦理治理的原则和机制 211
10.5.1 人工智能发展的伦理原则 212
10.5.2 协同治理机制 213
10.6 生成式人工智能的伦理新挑战 214
课后习题 215
参考文献 215