封面
版权页
前言 INTRODUCTION
第1章 让ChatGPT告诉我们什么是机器学习
1.1 问问ChatGPT什么是机器学习
1.1.1 机器学习的定义
1.1.2 通俗解释机器学习
1.1.3 举个例子解释机器学习
1.2 问问ChatGPT机器学习有什么用
1.2.1 机器学习的常见用途
1.2.2 机器学习可以预测彩票吗
1.2.3 机器学习能帮我赚钱吗
1.3 机器学习有什么应用案例
1.3.1 机器学习的应用案例
1.3.2 普通人可以使用机器学习做些什么
1.3.3 初创企业如何使用机器学习
1.4 机器学习系统有哪些类型
1.4.1 机器学习系统的大致分类
1.4.2 什么是监督学习
1.4.3 什么是无监督学习
1.5 机器学习面临哪些挑战
1.5.1 机器学习面临的总体挑战有哪些
1.5.2 什么是欠拟合
1.5.3 什么是过拟合
1.5.4 什么是早停
1.6 机器学习模型该如何测试和验证
1.6.1 测试与验证模型的整体思路
1.6.2 分类模型的评估指标
1.6.3 回归模型的评估指标
1.7 习题
第2章 让ChatGPT告诉我们机器学习的基本流程
2.1 让ChatGPT帮我们找数据
2.1.1 有哪些适合机器学习任务的数据集
2.1.2 适合新手的简单数据集
2.1.3 该去哪里下载数据集
2.1.4 如何打开数据文件
2.2 让ChatGPT帮我们安装Anaconda
2.2.1 为什么选择Anaconda
2.2.2 Anaconda的下载与安装
2.2.3 在Anaconda中使用Jupyter Notebook
2.2.4 在Jupyter Notebook中读取数据
2.3 让ChatGPT教我们进行探索性数据分析
2.3.1 什么是探索性数据分析
2.3.2 如何进行探索性数据分析
2.3.3 查看数据基本信息和格式
2.3.4 检查重复值与缺失值
2.3.5 数据预处理
2.3.6 数据可视化
2.3.7 查看数据的统计信息
2.4 试试训练一下模型
2.4.1 让ChatGPT给出示例代码
2.4.2 特征工程与数据集拆分
2.4.3 模型的训练与验证
2.5 习题
第3章 让ChatGPT带我们玩转线性模型
3.1 让ChatGPT告诉我们什么是线性模型
3.1.1 用简单的例子理解线性回归
3.1.2 简单介绍线性回归的原理
3.1.3 什么是梯度下降
3.2 线性模型也可以用于分类
3.2.1 简要介绍逻辑回归
3.2.2 用一个例子演示逻辑回归的用法
3.2.3 逻辑回归预测的概率
3.3 什么是正则化
3.3.1 什么是正则化
3.3.2 使用L2正则化的线性模型
3.3.3 使用L1正则化的线性模型
3.4 习题
第4章 让ChatGPT带我们玩转支持向量机
4.1 让ChatGPT解释非线性问题的基本概念
4.1.1 非线性问题的示例数据
4.1.2 用支持向量机解决非线性问题
4.1.3 支持向量机的原理
4.2 支持向量机的核函数
4.2.1 什么是径向基函数核函数
4.2.2 什么是多项式核函数
4.2.3 不同核函数的对比
4.3 支持向量机用于回归任务
4.3.1 支持向量机回归的原理
4.3.2 不同核函数的支持向量机回归模型
4.4 支持向量机的超参数
4.4.1 支持向量机的C值
4.4.2 支持向量机的gamma值
4.4.3 支持向量机的epsilon值
4.5 习题
第5章 让ChatGPT带我们玩转决策树
5.1 让ChatGPT介绍一下决策树算法
5.1.1 决策树算法的简要介绍
5.1.2 决策树算法的应用案例
5.2 决策树算法基础知识
5.2.1 树结构基本概念
5.2.2 决策树的构建过程
5.2.3 决策树中的参数
5.3 决策树算法的实现
5.3.1 决策树的特征选择
5.3.2 决策树的剪枝
5.3.3 决策树用于回归问题
5.4 决策树算法的不足与改进
5.4.1 决策树算法的局限性
5.4.2 决策树算法的改进
5.5 习题
第6章 让ChatGPT带我们玩转集成学习
6.1 让ChatGPT介绍一下集成学习算法
6.1.1 集成学习算法有哪些类型
6.1.2 集成学习算法有哪些实现方式
6.1.3 集成学习算法的优势和劣势
6.2 基本的集成学习算法
6.2.1 Stacking算法
6.2.2 随机森林算法
6.2.3 AdaBoost算法
6.3 高级的集成学习算法
6.3.1 GBDT算法
6.3.2 XGBoost算法
6.3.3 LightGBM算法
6.4 习题
第7章 让ChatGPT带我们玩转模型优化
7.1 让ChatGPT介绍模型优化的基本概念
7.1.1 模型优化的重要性和基本概念
7.1.2 模型优化的目标和指标
7.1.3 模型优化方法的分类
7.2 让ChatGPT介绍损失函数
7.2.1 损失函数的基本概念
7.2.2 损失函数的种类
7.2.3 如何选择损失函数
7.3 让ChatGPT介绍学习率
7.3.1 学习率的基本概念
7.3.2 学习率对模型的影响
7.3.3 使用随机搜索找到最优学习率
7.4 让ChatGPT介绍模型的超参数
7.4.1 一些常见的超参数及其概念
7.4.2 使用交叉验证法调整超参数
7.5 习题
第8章 让ChatGPT带我们玩转数据降维
8.1 让ChatGPT介绍数据降维的基本概念
8.1.1 数据降维的定义和背景
8.1.2 数据降维在数据分析中的重要性
8.1.3 常见的数据降维方法
8.2 让ChatGPT带我们玩转PCA
8.2.1 PCA的定义和基本思想
8.2.2 PCA的数学原理和算法
8.2.3 PCA算法的实现
8.3 让ChatGPT带我们玩转ICA
8.3.1 ICA的定义和基本思想
8.3.2 ICA的数学原理和算法
8.3.3 ICA算法的实现
8.4 让ChatGPT带我们玩转t-SNE
8.4.1 t-SNE的定义和基本思想
8.4.2 t-SNE的数学原理和算法
8.4.3 t-SNE算法的实现
8.5 习题
第9章 让ChatGPT带我们玩转聚类算法
9.1 让ChatGPT介绍聚类算法的基本概念
9.1.1 聚类算法的定义和背景
9.1.2 介绍聚类算法的应用领域
9.1.3 聚类算法和分类算法的区别
9.2 让ChatGPT带我们玩转K-Means
9.2.1 K-Means算法的基本思想
9.2.2 K-Means算法的步骤和流程
9.2.3 K-Means算法的优缺点
9.3 让ChatGPT带我们玩转层次聚类
9.3.1 层次聚类算法的基本思想
9.3.2 凝聚层次聚类算法的原理与实现
9.3.3 分裂层次聚类算法的原理与实现
9.3.4 层次聚类算法的优缺点
9.4 让ChatGPT带我们玩转密度聚类
9.4.1 密度聚类算法的数学原理
9.4.2 DBSCAN算法的原理与实现
9.4.3 密度聚类算法的优缺点
9.5 习题
第10章 让ChatGPT带我们玩转神经网络
10.1 让ChatGPT介绍神经网络的基本概念
10.1.1 神经网络的起源
10.1.2 神经网络的发展历史
10.1.3 神经网络的应用
10.2 神经网络的结构
10.2.1 神经元的定义和结构
10.2.2 神经网络的输入层
10.2.3 神经网络的隐藏层
10.2.4 神经网络的输出层
10.2.5 神经网络的激活函数
10.3 神经网络中的传播算法
10.3.1 神经网络的前向传播
10.3.2 神经网络的反向传播
10.4 神经网络的局限性和未来发展
10.5 习题
第11章 让ChatGPT带我们玩转Keras
11.1 让ChatGPT介绍一下Keras
11.1.1 Keras简介
11.1.2 Keras有什么优点
11.1.3 Keras的安装和配置
11.2 用Keras搭建简单的神经网络
11.2.1 Keras中内置的数据集
11.2.2 Keras中的Sequential模型
11.2.3 Sequential模型中的输入层、隐藏层和输出层
11.2.4 Sequential模型中的隐藏层
11.2.5 Sequential模型中的输出层
11.3 模型的训练参数
11.3.1 模型的优化器
11.3.2 模型的损失函数
11.3.3 模型的评估指标
11.4 神经网络的超参数
11.4.1 神经网络的学习率
11.4.2 模型的神经元数量
11.4.3 模型的正则化系数
11.5 习题
第12章 让ChatGPT带我们玩转图像分类
12.1 让ChatGPT介绍一下计算机视觉
12.1.1 计算机视觉的基本概念
12.1.2 数字图像的表示
12.2 让ChatGPT介绍卷积神经网络
12.2.1 卷积神经网络的原理
12.2.2 模型中的卷积层和池化层
12.2.3 计算机视觉模型的激活函数
12.3 图像分类任务实战
12.3.1 没数据？找Kaggle
12.3.2 对图像数据进行预处理
12.3.3 搭建模型并训练
12.3.4 模型的评估与调用
12.4 习题
第13章 让ChatGPT带我们玩转自然语言处理
13.1 让ChatGPT介绍一下自然语言处理
13.1.1 自然语言处理的概念与历史
13.1.2 自然语言处理中的神经网络
13.2 让ChatGPT带我们认识RNN与LSTM
13.2.1 RNN的概念和原理
13.2.2 LSTM的概念和原理
13.2.3 文本生成应用——让ChatGPT写首诗
13.3 让ChatGPT带我们认识文本表示
13.3.1 什么是独热编码
13.3.2 什么是词袋模型
13.3.3 什么是TF-IDF
13.4 来个项目实战吧
13.4.1 数据准备与预处理
13.4.2 对台词内容进行分词处理
13.4.3 模型训练与评估
13.5 习题
第14章 让ChatGPT带我们玩转迁移学习
14.1 让ChatGPT介绍一下迁移学习
14.1.1 迁移学习的概念
14.1.2 迁移学习的研究历程
14.2 让ChatGPT介绍迁移学习的实现
14.2.1 预训练模型的选择
14.2.2 使用BERT进行文本分类的简单示例
14.2.3 Python中的Transformer库
14.3 让ChatGPT介绍Transformer架构
14.3.1 什么是Transformer架构
14.3.2 什么是自注意力机制
14.3.3 什么是残差连接
14.4 实战迁移学习
14.4.1 工具准备和数据读取
14.4.2 数据处理与加载
14.4.3 模型的创建与自定义
14.4.4 模型的训练
14.4.5 模型的验证
14.4.6 使用模型进行推理
14.4.7 上传结果并评分
14.5 习题
附录 ChatGPT使用指南
封底
更新时间：2025-03-27 18:13:44
完结共259章
倒序