●第1章 人工智能及機器學習概述1
1.1人工智能概述1
1.1.1.人工智能簡史2
1.1.2.人工智能是什麼4
1.1.3.人工智能的能力5
1.2機器學習概述5
1.2.1.機器學習是什麼5
1.2.2.以監督學習為例6
1.2.3.學習任務7
1.2.4.機器學習要解決的基本問題7
1.2.5.機器學習如何優化模型7
1.2.6.機器學習工作流程7
1.2.7.機器學習的各大流派8
1.2.8.機器學習算法選擇8
1.2.9.需要的知識9
1.3深度學習概述9
1.4機器學習與統計學9
1.5課後練習10

第2章 機器學習基礎知識11
2.1數學基礎11
2.1.1.數據的分類12
2.1.2.基本統計學術語12
2.1.3.回歸14
2.1.4.最小二乘法.14
2.1.5.判斷擬合好壞15
2.1.6.小結17
2.2讀圖17
2.2.1.數值數據的分布.17
2.2.2.分類數據的分布18
2.3KNIME21
2.3.1.KNIME簡介21
2.3.2.下載和安裝21
2.3.3.KNIME基本使用21
2.3.4.小結28
2.4課後練習28

第3章 線性回歸29
3.1簡單線性回歸30
3.1.1.場景說明30
3.1.2.KNIME建立工作流30
3.1.3.數據獲取30
3.1.4.觀察數據31
3.1.5.數據劃分33
3.1.6.模型訓練34
3.1.7.模型測試37
3.1.8.損失函數37
3線性回歸初步38
3.2.1.任務及數據說明38
3.2.2.建立基本的工作流38
3.2.3.讀取並觀察數據39
3.2.4.整合界面49
3線性回歸進階51
3.3.1.優化模型51
3.3.2.正向選擇節點55
3.3.3.反向消除58
3.3.4.模型解釋58
3.3.5.特征歸一化59
3.3.6.使用KNIME具體實現歸一化59
3.3.7.相關繫數60
3.4課後練習61

第4章 邏輯回歸63
4.1邏輯回歸基本概念63
4.1.1.分類問題63
4.1.2.從線性回歸到邏輯回歸65
4.1.3.判定邊界66
4.1.4.KNIME工作流66
4.1.5.讀取數據67
4.1.6.數據處理67
4.1.7.模型訓練及測試68
4.1.8.模型評價69
4.2邏輯回歸實戰71
4.2.1.泰坦尼克號生存問題背景介紹71
4.2.2.讀取數據72
4.2.3.數據處理73
4.2.4.數據可視化及刪除無關列75
4.2.5.模型訓練和測試82
4.2.6.模型評價83
4.2.7.提交結果85
4.2.8.模型解釋89
4.3課後練習90

第5章 模型優化91
5.1梯度下降91
5.1.1.損失函數92
5.1.2.使用KNIME優化模型96
5.2正則化98
5.2.1.準確性和健壯性98
5.2.2.復雜的模型.98
5.2.3.欠擬合和過擬合98
5.2.4.正則化防止過擬合100
5.2.5.使用KNIME設置正則化100
5.3模型評價101
5.3.1.混淆矩陣101
5.3.2.F1103
5.3.3.ROC曲線和AUC104
5.4課後練習106

第6章 支持向量機107
6.1支持向量機基本概念107
6.1.1.支持向量機是什麼107
6.1.2.支持向量是什麼108
6.1.3.邏輯回歸與支持向量機的比較108
6.1.4.核110
6.1.5.線性核模型調參111
6.1.6.非線性核模型調參113
6.1.7.C與γ114
6.2SVM初戰114
6.2.1問題說明114
6.2.2.建立工作流114
6.2.3.數據觀察115
6.2.4.模型訓練與測試117
6.2.5.觀察結果118
6.3支持向量機解決泰坦尼克號問題119
6.3.1.歸一化119
6.3.2.核函數120
6.3.3.新建工作流120
6.3.4.C參數123
6.4一個重要的問題124
6.5課後練習124

第7章 決策樹125
7.1決策樹簡介125
7.1.1.決策樹的優點125
7.1.2.決策樹的缺點126
7.1.3.防止過擬合126
7.1.4.問題解析126
7.1.5.奧卡姆剃刀128
7.1.6.提前結束128
7.1.7.剪枝130
7.1.8.組合算法131
7.1.9.Adaboosting133
7.2使用決策樹解決泰坦尼克號生存問題135
7.3決策樹高級應用實戰――特征工程137
7.3.1.數據探尋137
7.3.2.特征工程143
7.3.3.異常數據處理146
7.4決策樹高級應用實戰――模型建立與比較149
7.4.1.決策樹149
7.4.2.袋裝153
7.4.3.隨機森林157
7.4.4.提升159
7.5課後練習160

第8章 深入理解決策樹161
8.1決策樹進階161
8.1.1.如何構建決策樹161
8.1.2.ID3算法決定什麼是優選的162
8.1.3.CART算法決定什麼是優選的164
8.1.4.KNIME設置165
8.2數據不平衡問題優化165
8.2.1.多數數據降采樣166
8.2.2.少數數據過采樣168
8.2.3.SMOTE算法170
8.3課後練習172

第9章 貝葉斯分析173
9.1貝葉斯定理173
9.1.1.基本術語173
9.1.2.條件概率174
9.1.3.全概率和貝葉斯176
9.1.4.貝葉斯定理176
9.1.5.貝葉斯定理在機器學習中的應用177
9.2貝葉斯算法解決銀行客戶分類問題178
9.2.1.工作流178
9.2.2.貝葉斯算法的學習器節點178
9.3情感分析案例179
9.3.1.安裝插件179
9.3.2.建立工作流180
9.4課後練習183

第10章 深度學習185
10.1深度學習簡介185
10.1.1.深度學習的關鍵186
10.1.2.我們的目標186
10.1.3.深度學習圖像識別原理概述187
10.1.4.圖像識別探析187
10.2卷積神經網絡（CNN）189
10.2.1.CNN基本原理189
10.2.2.常用CNN模型193
10.3KNIME實現卷積神經網絡195
10.3.1.環境構建195
10.3.2.安裝所需的工具195
10.3.3.步驟分析198
10.4深度學習開源應用舉例199
10.5深度學習工商業應用舉例201
10.6課後練習205

參考文獻206

書采用圖形化的方法講解人工智能和機器學習的知識與技術，並且借用圖形化軟件KNIME采用拖、拉、拽等“傻瓜式”的操作完成從簡單到復雜的機器學習項目。全書分為三個部分，分別是人工智能技術入門、傳統機器學習和深度學習。本書具有圖說圖解、自上而下、夠用即止、實戰掌握的特點，適合於作為人工智能入門者、人工智能技術應用者及高職高專院校理工科、本科院校非理工科專業學生的教材。

"前 言PREFACE1. 創作經歷本書作者團隊大部分成員就職於深圳信息職業技術學院（以下簡稱信息學院）。作者們初入職信息學院時，感覺憑借自己高學歷教專科生簡直是殺雞用牛刀，但是往往幾節課後就深感到拳頭打在棉花上，甚至是如履薄冰。幾乎任何一個公式都能讓學生們面面相覷，幾乎任何一個算法都能讓學生們變成大眼瞪小眼。學生經常單刀直入地提問題，簡單粗暴：“老師，我學了這個能干什麼”，而鮮有學生會問：“這個問題怎麼做”“這個問題哪裡出錯了”“我這樣做行不行”。但是一旦“能干什麼”的問題明確了，隨之而來會源源不斷地問“怎樣做”。各種“慘痛”的經歷告訴我們，不解決目標問題，大多數學生沒有興趣；不解決復雜度問題，大多數學生無法掌握。本書大多數作者都有較高的學歷和較多的研究經歷，深知學習的艱難和痛苦，更對“知識就是力量”有深切的體會。在作者們的學習階段，往往發現找到一本合適的入門書是那麼等