Python机器学习(原书第3版)

本书自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门推荐阅读之作。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，这些内容能使你快速解决你和你的团队面临的一些重要问题。

本书自第1版出版以来，备受广大读者欢迎。第3版结合TensorFlow2和scikit-learn的近期新版本进行了更新，其范围进行了扩展，以涵盖强化学习和生成对抗网络（GAN）这两种最优选的机器学习技术。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还讨论了机器学习概念的必要细节，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供了直观且翔实的解释，是Python机器学习入门推荐阅读之作。书中涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，可帮助读者快速解决自己和团队面临的一些重要问题。本书适用于机器学习的初学者和专业技术人员。

译者序
前言
作者简介
审校者简介
第1章赋予计算机从数据中学习的能力
1.1构建能把数据转换为知识的智能机器
1.2三种不同类型的机器学习
1.2.1用监督学习预测未来
1.2.2用强化学习解决交互问题
1.2.3用无监督学习发现隐藏的结构
1.3基本术语与符号
1.3.1本书中使用的符号和约定
1.3.2机器学习的术语
1.4构建机器学习系统的路线图
1.4.1预处理——整理数据
1.4.2训练和选择预测模型
1.4.3评估模型并对未曾谋面的数据进行预测
1.5将Python用于机器学习
1.5.1利用PythonPackageIndex安装Python及其他软件包
1.5.2采用AnacondaPython发行版和软件包管理器
1.5.3用于科学计算、数据科学和机器学习的软件包
1.6本章小结
第2章训练简单的机器学习分类算法
2.1人工神经元——机器学习的早期历史
2.1.1人工神经元的正式定义
2.1.2感知器学习规则
2.2用Python实现感知器学习算法
2.2.1面向对象的感知器API
2.2.2在鸢尾花数据集上训练感知器模型
2.3自适应线性神经元和学习收敛
2.3.1通过梯度下降最小化代价函数
2.3.2用Python实现Adaline
2.3.3通过特征缩放改善梯度下降
2.3.4大规模机器学习与随机梯度下降
2.4本章小结
第3章scikit-learn机器学习分类器
3.1选择分类算法
3.2了解scikit-learn的第一步——训练感知器
3.3基于逻辑回归的分类概率建模
3.3.1逻辑回归与条件概率
……
第4章构建良好的训练数据集——数据预处理
第5章通过降维压缩数据
第6章模型评估和超参数调优的很好实践
第7章组合不同模型的集成学习
第8章用机器学习进行情感分析
第9章将机器学习模型嵌入Web应用
第10章用回归分析预测连续目标变量
第11章用聚类分析处理无标签数据
第12章从零开始实现多层人工神经网络
第13章用TensorFlow并行训练神经网络
第14章深入探讨TensorFlow的工作原理
第15章用深度卷积神经网络为图像分类
第16章用循环神经网络为序列数据建模
第17章用生成对抗网络合成新数据
第18章用于复杂环境决策的强化学习