第1章 人工智能及机器学习概述
1.1 人工智能概述
1.1.1 人工智能简史
1.1.2 人工智能是什么
1.1.3 人工智能的能力
1.2 机器学习概述
1.2.1 机器学习是什么
1.2.2 以监督学习为例
1.2.3 学习任务
1.2.4 机器学习要解决的基本问题
1.2.5 机器学习如何优化模型
1.2.6 机器学习工作流程
1.2.7 机器学习的各大流派
1.2.8 机器学习算法选择
1.2.9 需要的知识
1.3 深度学习概述
1.4 机器学习与统计学
1.5 课后练习
第2章 机器学习基础知识
2.1 数学基础
2.1.1 数据的分类
2.1.2 基本统计学术语
2.1.3 回归
2.1.4 最小二乘法
2.1.5 判断拟合好坏
2.1.6 小结
2.2 读图
2.2.1 数值数据的分布
2.2.2 分类数据的分布
2.3 KNIME
2.3.1 KNIME简介
2.3.2 下载和安装
2.3.3 KNIME基本使用
2.3.4 小结
2.4 课后练习
第3章 线性回归
3.1 简单线性回归
3.1.1 场景说明
3.1.2 KNIME建立工作流
3.1.3 数据获取
3.1.4 观察数据
3.1.5 数据划分
3.1.6 模型训练
3.1.7 模型测试
3.1.8 损失函数
3.2 多元线性回归初步
3.2.1 任务及数据说明
3.2.2 建立基本的工作流
3.2.3 读取并观察数据
3.2.4 整合界面
3.3 多元线性回归进阶
3.3.1 优化模型
3.3.2 正向选择节点
3.3.3 反向消除
3.3.4 模型解释
3.3.5 特征归一化
3.3.6 使用KNIME具体实现归一化
3.3.7 相关系数
3.4 课后练习
第4章 逻辑回归
4.1 逻辑回归基本概念
4.1.1 分类问题
4.1.2 从线性回归到逻辑回归
4.1.3 判定边界
4.1.4 KNIME工作流
4.1.5 读取数据
4.1.6 数据处理
4.1.7 模型训练及测试
4.1.8 模型评价
4.2 逻辑回归实战
4.2.1 泰坦尼克号生存问题背景介绍
4.2.2 读取数据
4.2.3 数据处理
4.2.4 数据可视化及删除无关列
4.2.5 模型训练和测试
4.2.6 模型评价
4.2.7 提交结果
4.2.8 模型解释
4.3 课后练习
第5章 模型优化
5.1 梯度下降
5.1.1 损失函数
5.1.2 使用KNIME优化模型
5.2 正则化
5.2.1 准确性和健壮性
5.2.2 复杂的模型
5.2.3 欠拟合和过拟合
5.2.4 正则化防止过拟合
5.2.5 使用KNIME设置正则化
5.3 模型评价
5.3.1 混淆矩阵
5.3.2 F1
5.3.3 ROC曲线和AUC
5.4 课后练习
第6章 支持向量机
6.1 支持向量机基本概念
6.1.1 支持向量机是什么
6.1.2 支持向量是什么
6.1.3 逻辑回归与支持向量机的比较
6.1.4 核
6.1.5 线性核模型调参
6.1.6 非线性核模型调参
6.1.7 C与γ
6.2 SVM初战
6.2.1 问题说明
6.2.2 建立工作流
6.2.3 数据观察
6.2.4 模型训练与测试
6.2.5 观察结果
6.3 支持向量机解决泰坦尼克号问题
6.3.1 归一化
6.3.2 核函数
6.3.3 新建工作流
6.3.4 C参数
6.4 一个重要的问题
6.5 课后练习
第7章 决策树
7.1 决策树简介
7.1.1 决策树的优点
7.1.2 、决策树的缺点
7.1.3 防止过拟合
7.1.4 问题解析
7.1.5 奥卡姆剃刀
7.1.6 提前结束
7.1.7 剪枝
7.1.8 组合算法
7.1.9 Adaboosting
7.2 使用决策树解决泰坦尼克号生存问题
7.3 决策树高级应用实战——特征工程
7.3.1 数据探寻
7.3.2 特征工程
7.3.3 异常数据处理
7.4 决策树高级应用实战——模型建立与比较
7.4.1 决策树
7.4.2 袋装
7.4.3 随机森林
7.4.4 提升
7.5 课后练习
第8章 深入理解决策树
8.1 决策树进阶
8.1.1 如何构建决策树
8.1.2 ID3算法决定什么是最好的
8.1.3 CART算法决定什么是最好的
8.1.4 KNIME设置
8.2 数据不平衡问题优化
8.2.1 多数数据降采样
8.2.2 少数数据过采样
8.2.3 SMOTE算法
8.3 课后练习
第9章 贝叶斯分析
9.1 贝叶斯定理
9.1.1 基本术语
9.1.2 条件概率
9.1.3 全概率和贝叶斯
9.1.4 贝叶斯定理
9.1.5 贝叶斯定理在机器学习中的应用
9.2 贝叶斯算法解决银行客户分类问题
9.2.1 工作流
9.2.2 贝叶斯算法的学习器节点
9.3 情感分析案例
9.3.1 安装插件
9.3.2 建立工作流
9.4 课后练习
第10章 深度学习
10.1 深度学习简介
10.1.1 深度学习的关键
10.1.2 我们的目标
10.1.3 深度学习图像识别原理概述
10.1.4

本书采用图形化的方法讲解人工智能和机器学习的知识与技术，并且借用图形化软件KNIME采用拖、拉、拽等“傻瓜式”的操作完成从简单到复杂的机器学习项目。全书分为三个部分，分别是人工智能技术入门、传统机器学习和深度学习。本书具有图说图解、自上而下、够用即止、实战掌握的特点，适合于作为人工智能入门者、人工智能技术应用者及高职高专院校理工科、本科院校非理工科专业学生的教材。