Python机器学习

写这本书的目的是为那些想要学习和了解、使用机器的人提供一本“看了就能掌握的机器学习”的书。机器学习和人工智能息息相关，在各个领域都有报道过实用案例，Google旗下的 DeepMind公司研发的“阿尔法围棋”程序在世界优选等级的专业围棋职业棋手比赛上取得了胜利，可见人工智能的发展是令人刮目相看的。虽说由于计算机能力的提高和软件设计环境的完善让机器学习变得轻松，但是为了正确使用机器学习，需要适当地进行数据处理、算法选择、结果的评价和调整等一系列的工作。本书就是以正确进行这些工作为目标，专注于使用机器学习需要掌握的基础部分。书中没有怎么涉及到理论部分，主要着眼于怎么使用、如何活用。

《Python机器学习》讲解未来人工智能技术中的机器学习，从入门知识到实践。全书分为“导入篇”、“基础篇”、“实践篇”、“附录”四部分。 导入篇包括第1章和第2章的内容。第1章是关于Python的安装和语言的说明及阅读本书需要进行的准备等，“快速教程”中将对通过Python如何接触机器学习进行说明，章节末尾的“短文 深度学习是什么”中，会涉及到最近引人关注的深度学习的历史及其现状；第2章中将概述机器学习的各个方面。基础篇从第3章到第5章，将对分类问题、回归问题、聚类进行说明。特别是在“第3章 分类问题”，阐述了性能的评价方法及其注意要点，这是使用机器学习需要掌握的基础部分。第6章和第7章的定位为实践篇，讲解了一些实际应用。第6章以手形状分类为题材，用和实际相近的形状进行数据收集，创建分类器，并进行评价；第7章中会看到传感器数据的处理方法，最后阐述了本篇的结束语。附录A中会学习到机器学习算法的实际安装，及其结构和想法。在附录B中会回顾作为理论基础的线性代数，对具有代表性的非线性模式进行说明。参考信息中介绍了作为本书参考内容的网站及书籍。另外也记载了可以下载本书中使用的脚本和数据的支持网站的访问方法，请参阅。

前言
第1部分 导入篇
第1章 导言
1.1 什么是机器学习
1.2 Python和机器学习
1.3 安装和配置
1.4 快速理解Python—NumPy和matplotlib
1.5 快速教程
第2章 机器学习的各个方面
2.1 围绕机器学习的环境
2.2 关联领域
2.3 通过学习法分类
2.4 根据手法和课题设定的分类
2.5 应用案例
第2部分 基础篇
第3章 分类问题
3.1 分类问题是什么
3.2 初的分类器
3.3 学习数据和测试数据
3.4 评价分类器的性能
3.5 各种各样的分类器
3.6 总结
第4章 回归问题
4.1 回归问题及其分类
4.2 初的回归—小二乘法和评价方法
4.3 机器学习的禁忌—过拟合
4.4 过拟合的对应—惩罚回归
4.5 各种各样的回归模型
4.6 总结
第5章 聚类
5.1 iris数据集
5.2 代表性的聚类算法—k-means
5.3 其他的聚类算法
5.4 总结
第3部分 实践篇
第6章 根据图像进行手形状分类
6.1 课题的设定
6.2 初的学习
6.3 求得泛化能力—尝试增加人数
6.4 再尝试进一步增加人数
6.5 数据的详查和清理—数据清洗
6.6 特征向量的导入
6.7 参数调整
6.8 总结
第7章 传感器数据的回归问题
7.1 首先
7.2 准备
7.3 传感器数据的概要
7.4 数据的读取
7.5 高松的气温数据和四国电力的消费量
7.6 更多样化，总结
7.7 完结
第4部分 附录
附录A 使用Python做机器学习
A.1 此附录的目的
A.2 小二乘法
A.3 通过矩阵计算导出解析解
A.4 迭代法
A.5 写代码之前
A.6 实现例子
附录B 线性代数的回顾和代表性非线性模型
B.1 此附录的目的
B.2 原本的“线性”是什么
B.3 线性变换和仿射变换
B.4 范数和惩罚项
B.5 考虑线性回归的小二乘解
B.6 机器学习中的“非线性”
参考信息