scikit-learn机器学习(第2版)

近年来，Python语言成为了广受欢迎的编程语言 ，而它在机器学习领域也有很好的表现。scikit- learn是一个用Python语言编写的机器学习算法库，它 可以实现一系列常用的机器学习算法，是一个好工具 。 加文·海克著的《scikit-learn机器学习(第2版) 》通过14章内容，详细地介绍了一系列机器学习模型 和scikit-learn的使用技巧。本书从机器学习的基础 理论讲起，涵盖了简单线性回归、K-近邻算法、特征 提取、多元线性回归、逻辑回归、朴素贝叶斯、非线 性分类、决策树回归、随机森林、感知机、支持向量 机、人工神经网络、K-均值算法、主成分分析等重要 话题。 本书适合机器学习领域的工程师学习，也适合想 要了解scikit-learn的数据科学家阅读。通过阅读本 书，读者将有效提升自己在机器学习模型的构建和评 估方面的能力，并能够高效地解决机器学习难题。

第1章 机器学习基础 1.1 定义机器学习 1.2 从经验中学习 1.3 机器学习任务 1.4 训练数据、测试数据和验证数据 1.5 偏差和方差 1.6 scikit-learn简介 1.7 安装scikit-learn 1.7.1 使用pip安装 1.7.2 在Windows系统下安装 1.7.3 在Ubuntu 16.04系统下安装 1.7.4 在Mac OS系统下安装 1.7.5 安装Anaconda 1.7.6 验证安装 1.8 安装pandas、Pillow、NLTK和matplotlib 1.9 小结 第2章 简单线性回归 2.1 简单线性回归 2.1.1 用代价函数评价模型的拟合性 2.1.2 求解简单线性回归的OLS 2.2 评价模型 2.3 小结 第3章 用K-近邻算法分类和回归 3.1 K-近邻模型 3.2 惰性学习和非参数模型 3.3 KNN模型分类 3.4 KNN模型回归 3.5 小结 第4章 特征提取 4.1 从类别变量中提取特征 4.2 特征标准化 4.3 从文本中提取特征 4.3.1 词袋模型 4.3.2 停用词过滤 4.3.3 词干提取和词形还原 4.3.4 tf-idf权重扩展词包 4.3.5 空间有效特征向量化与哈希技巧 4.3.6 词向量 4.4 从图像中提取特征 4.4.1 从像素强度中提取特征 4.4.2 使用卷积神经网络激活项作为特征 4.5 小结 第5章 从简单线性回归到多元线性回归 5.1 多元线性回归 5.2 多项式回归 5.3 正则化 5.4 应用线性回归 5.4.1 探索数据 5.4.2 拟合和评估模型 5.5 梯度下降法