图解机器学习算法（全彩印刷）

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。

秋庭伸也（作者） 日本早稻田大学硕士毕业，目前在Recruit Communications公司担任技术负责人。 杉山阿圣（作者） 具有多年研发经验，目前在AI创业公司SENSY担任机器学习研究员。 寺田学（作者） CMS Communications公司董事长、日本PyCon会议组织者、Plone基金会大使、Python工程师发展协会顾问理事、PSF（Python软件基金会）贡献成员。 郑明智（译者） 智慧医疗工程师，翻译经验丰富，有《白话机器学习的数学》《用Python动手学机器学习》等多部译著。

第　1章 机器学习基础　1 1.1　机器学习概要　2 　什么是机器学习　2 　机器学习的种类　3 　机器学习的应用　8 1.2　机器学习的步骤　9 　数据的重要性　9 　有监督学习（分类）的例子　11 　无监督学习（聚类）的例子　16 　可视化　18 　图形的种类和画法：使用Matplotlib显示图形的方法　22 　使用pandas理解和处理数据　30 　本章小结　36 第　2章 有监督学习　37 2.1　算法1：线性回归　38 　概述　38 　算法说明　39 　详细说明　41 2.2　算法2：正则化　45 　概述　45 　算法说明　48 　详细说明　50 2.3　算法3：逻辑回归　52 　概述　52 　算法说明　53 　详细说明　55 2.4　算法4：支持向量机　58 　概述　58 　算法说明　59 　详细说明　60 2.5　算法5：支持向量机（核方法）　63 　概述　63 　算法说明　64 　详细说明　65 2.6　算法6：朴素贝叶斯　68 　概述　68 　算法说明　70 　详细说明　74 2.7　算法7：随机森林　76 　概述　76 　算法说明　77 　详细说明　80 2.8　算法8：神经网络　81 　概述　81 　算法说明　83 　详细说明　86 2.9　算法9：KNN　88 　概述　88 　算法说明　89 　详细说明　90 第3章 无监督学习　93 3.1　算法10：PCA　94 　概述　94 　算法说明　95 　详细说明　98 3.2　算法11：LSA　99 　概述　99 　算法说明　100 　详细说明　104 3.3　算法12：NMF　105 　概述　105 　算法说明　106 　详细说明　108 3.4　算法13：LDA　111 　概述　111 　算法说明　112 　详细说明　114 3.5　算法14：k-means算法　117 　概述　117 　算法说明　117 　详细说明　119 3.6　算法15：混合高斯分布　122 　概述　122 　算法说明　123 　详细说明　126 3.7　算法16：LLE　127 　概述　127 　算法说明　128 　详细说明　131 3.8　算法17：t-SNE　133 　概述　133 　算法说明　134 　详细说明　136 第4章 评估方法和各种数据的处理　139 4.1　评估方法　140 　有监督学习的评估　140 　分类问题的评估方法　140 　回归问题的评估方法　148 　均方误差和决定系数指标的不同　152 　与其他算法进行比较　152 　超参数的设置　154 　模型的过拟合　155 　防止过拟合的方法　155 　将数据分为训练数据和验证数据　156 　交叉验证　158 　搜索超参数　160 4.2　文本数据的转换处理　163 　基于单词出现次数的转换　163 　基于tf-idf的转换　164 　应用于机器学习模型　165 4.3　图像数据的转换处理　167 　直接将像素信息作为数值使用　167 　将转换后的向量数据作为输入来应用机器学习模型　168 第5章 环境搭建　171 5.1　Python 3的安装　172 　Windows　172 　macOS　172 　Linux　173 　使用Anaconda在Windows上安装　174 5.2　虚拟环境　175 　通过官方安装程序安装Python的情况　175 　通过Anaconda安装Python的情况　177 5.3　第三方包的安装　178 　什么是第三方包　178 　安装第三方包的方法　178 参考文献　180