2017年，国务院印发《新一代人工智能发展规划》，要求中小学开设人工智能相关课程，并提倡以计算思维为指导，将信息技术课程从技术导向转换为科学导向。因此，机器学习作为人工智能技术的内核，走入我国广大中小学生的课堂是科技发展的必然选择。《BR》　　本书共11章，系统地介绍机器学习模型中常见的白盒和黑盒模型，以及这些模型统一的框架和经常被使用的技巧。本书介绍了这些技巧是如何被巧妙地封装成一种通用方法，并在适当的时候被反复使用。从框架到思路，再到解决问题的技巧，以及技巧的封装和重用，这些都是塑造良好计算思维的必经之路。

目录
第1章　人工智能与计算思维　1
1.1　人工智能　1
1.2　机器学习　2
1.3　机器学习中的计算思维　6
1.4　本章小结　7
课后练习　7
第2章　机器学习理论基础　8
2.1　数据集　8
2.1.1　描述空间、属性、特征和维度　8
2.1.2　复合特征　9
2.1.3　特征空间降维　10
2.1.4　特征缩放及特征编码　11
2.2　机器学习中对误差的估计　12
2.3　代价函数、损失函数和目标函数　14
2.4　数据预处理　14
2.5　Python中机器学习基本流程　15
2.6　sklearn的安装　17
2.7　本章小结　19
课后练习　19
第3章　线性回归模型　20
3.1　什么是线性回归模型　20
3.2　简单线性回归模型　21
3.2.1　模型建立　21
3.2.2　不插电模拟模型训练　22
3.2.3　sklearn中使用简单线性回归模型　23
3.2.4　模型性能评价　24
3.3　多元线性回归模型　26
3.3.1　模型建立　26
3.3.2　不插电使用梯度下降法求解系数　28
3.3.3　sklearn中使用多元线性回归模型　30
3.4　多项式回归　32
3.5　学习曲线　34
3.6　线性回归模型中的计算思维　37
课后练习　38
第4章　逻辑回归模型　40
4.1　Sigmoid函数　40
4.2　逻辑回归的基本模型　40
4.3　逻辑回归模型的代价函数　41
4.4　在sklearn中使用逻辑回归模型进行二元分类　42
4.5　广义线性回归模型的防止过拟合策略　43
4.5.1　正则式　43
4.5.2　在sklearn中使用L1和L2范数优化模型　44
4.6　逻辑回归中的计算思维　46
课后练习　47
第5章　KNN分类和回归　48
5.1　KNN算法的模型　48
5.2　不插电使用KNN模型进行分类　48
5.3　不插电使用KNN回归模型　50
5.4　F1分数　52
5.5　KNN中的特征标准化　56
5.6　KNN模型的计算思维　58
课后练习　59
第6章　朴素贝叶斯　60
6.1　贝叶斯公式　60
6.2　朴素贝叶斯模型　61
6.2.1　朴素贝叶斯模型的基本原理　61
6.2.2　不插电运用朴素贝叶斯公式进行分类预测　62
6.3　高斯朴素贝叶斯(Gaussian NB)　63
6.3.1　高斯朴素贝叶斯的原理　63
6.3.2　不插电运用高斯朴素贝叶斯　65
6.4　sklearn中的朴素贝叶斯模型　67
6.5　在sklearn中使用NB模型　68
6.6　ROC曲线和AUC面积　70
6.7　朴素贝叶斯模型与计算思维　73
课后练习　73
第7章　决策树和随机森林　75
7.1　决策树的表达方式　75
7.2　训练决策树的算法　76
7.2.1　ID3算法的基本原理　76
7.2.2　不插电使用ID3算法构建决策树　76
7.2.3　C4.5算法　81
7.2.4　CART算法　82
7.3　sklearn中使用DecisionTreeClassifier和DecisionTreeRegression工具　83
7.3.1　sklearn中使用DecisionTreeClassifier　83
7.3.2　sklearn中使用DecisionTreeRegressor　84
7.4　随机森林和集成学习　86
7.4.1　随机森林　86
7.4.2　推进法(boosting)　87
7.4.3　不插电应用AdaBoost　88
7.5　决策树中的计算思维　90
课后练习　91
第8章　感知器和人工神经网络ANN　92
8.1　感知器　92
8.1.1　感知器的基本原理　92
8.1.2　不插电训练单层感知器　94
8.2　多层感知器(MLP)　96
8.2.1　多层感知器的基本原理　96
8.2.2　不插电运用两层感知器解决XOR(异或)问题　97
8.3　反传多层感知器　99
8.3.1　ANN的激励函数　99
8.3.2　ANN的网络结构和节点构成　100
8.3.3　ANN中的反传学习算法(BP)　100
8.3.4　BP的不插电示例　104
8.4　使用sklearn的ANN工具　107
8.5　人工神经网络的计算思维　107
课后练习　109
第9章　支持向量机　111
9.1　支持向量机SVM的基本原理　111
9.1.1　SVM中用于分类的超平面　111
9.1.2　SVM的目标函数　113
9.1.3　SVM的目标函数求解　114
9.2　单层感知器的对偶形式　114
9.3　SVM的核函数　117
9.4　sklearn中使用SVM工具分类　118
课后练习　120
第10章　聚类　121
10.1　聚类算法的原理　121
10.2　K均值(K-means)聚类算法　122
10.2.1　K均值算法基本原理　122
10.2.2　利用K均值算法进行不插电聚类　122
10.2.3　K值的选择　126
10.3　模糊C均值(FCM)聚类算法　126
10.4　轮廓系数　128
10.5　使用sklearn的K均值算法对数据进行聚类　129
10.6　聚类模型与计算思维　131
课后练习　131
第11章　主成分分析(PCA)降维　132
11.1　PCA的基本思想　132
11.2　协方差矩阵　133
11.3　PCA算法的实现　135
11.4　PCA降维算法的一个实例　136
11.5　调用sklearn的PCA模型来验证上述算法　138
11.6　PCA降维的计算思维　140
课后练习　140
部分课后习题答案　141
第3章　课后练习答案　141
第5章　课后练习答案　144
第6章　课后练习答案　146
第7章　课后练习答案　147
第8章　课后练习答案　148
第9章　课后练习答案　150
第10章　课后练习答案　151
第11章　课后练习答案　151
参考文献　153