更新时间：2025-03-27 18:13:44
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
