Python机器学习基础教程/图灵程序设计丛书

安德里亚斯·穆勒、莎拉·吉多著的《Python机 器学习基础教程》是机器学习入门书，以Python语言 介绍。主要内容包括：机器学习的基本概念及其应用 ；实践中最常用的机器学习算法以及这些算法的优缺 点；在机器学习中待处理数据的呈现方式的重要性， 以及应重点关注数据的哪些方面；模型评估和调参的 高级方法，重点讲解交叉验证和网格搜索；管道的概 念；如何将前面各章的方法应用到文本数据上，还介 绍了一些文本特有的处理方法。 本书适合机器学习从业者或有志成为机器学习从 业者的人阅读。

Sarah Guido，Mashable公司数据科学家，曾担任Bitly公司数据科学家。

前言 第1章 引言 1.1 为何选择机器学习 1.1.1 机器学习能够解决的问题 1.1.2 熟悉任务和数据 1.2 为何选择Python 1.3 scikit-learn 1.4 必要的库和工具 1.4.1 Jupyter Notebook 1.4.2 NumPy 1.4.3 SciPy 1.4.4 matplotlib 1.4.5 pandas 1.4.6 mglearn 1.5 Python 2 与Python 3的对比 1.6 本书用到的版本 1.7 第一个应用：鸢尾花分类 1.7.1 初识数据 1.7.2 衡量模型是否成功：训练数据与测试数据 1.7.3 要事第一：观察数据 1.7.4 构建第一个模型：k近邻算法 1.7.5 做出预测 1.7.6 评估模型 1.8 小结与展望 第2章 监督学习 2.1 分类与回归 2.2 泛化、过拟合与欠拟合 2.3 监督学习算法 2.3.1 一些样本数据集 2.3.2 k近邻 2.3.3 线性模型 2.3.4 朴素贝叶斯分类器 2.3.5 决策树 2.3.6 决策树集成 2.3.7 核支持向量机 2.3.8 神经网络（深度学习） 2.4 分类器的不确定度估计 2.4.1 决策函数 2.4.2 预测概率 2.4.3 多分类问题的不确定度 2.5 小结与展望 第3章 无监督学习与预处理 3.1 无监督学习的类型 3.2 无监督学习的挑战 3.3 预处理与缩放 3.3.1 不同类型的预处理 3.3.2 应用数据变换 3.3.3 对训练数据和测试数据进行相同的缩放 3.3.4 预处理对监督学习的作用 3.4 降维、特征提取与流形学习