图解机器学习算法

152张图表，轻松掌握17种常用算法！ 没有复杂公式，零基础也可轻松读懂！ 1.全面 网罗有监督学习和无监督学习的17种算法，涉及回归、分类、降维、聚类等问题。 2.直观 全彩图解，让原本抽象复杂的算法变得一目了然，方便读者快速了解各算法的特征，学会如何选择恰当的算法。 3.易懂 几乎没有数学公式和统计术语，零基础也可轻松读懂。 4.实现 各算法均用Python代码实现，基于Python 3.7版本，读者可下载配套代码资源，边试边学。

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 机器学习概要
什么是机器学习
机器学习的种类
机器学习的应用
1.2 机器学习的步骤
数据的重要性
有监督学习（分类）的例子
无监督学习（聚类）的例子
可视化
图形的种类和画法：使用Matplotlib显示图形的方法
使用pandas理解和处理数据
本章小结
第2章 有监督学习
2.1 算法1：线性回归
概述
算法说明
详细说明
2.2 算法2：正则化
概述
算法说明
详细说明
2.3 算法3：逻辑回归
概述
算法说明
详细说明
2.4 算法4：支持向量机
概述
算法说明
详细说明
2.5 算法5：支持向量机（核方法）
概述
算法说明
详细说明
2.6 算法6：朴素贝叶斯
概述
算法说明
详细说明
2.7 算法7：随机森林
概述
算法说明
详细说明
2.8 算法8：神经网络
概述
算法说明
详细说明
2.9 算法9：KNN
概述
算法说明
详细说明
第3章 无监督学习
3.1 算法10：PCA
概述
算法说明
详细说明
3.2 算法11：LSA
概述
算法说明
详细说明
3.3 算法12：NMF
概述
算法说明
详细说明
3.4 算法13：LDA
概述
算法说明
详细说明
3.5 算法14：k-means算法
概述
算法说明
详细说明
3.6 算法15：混合高斯分布
概述
算法说明
详细说明
3.7 算法16：LLE
概述
算法说明
详细说明
3.8 算法17：t-SNE
概述
算法说明
详细说明
第4章 评估方法和各种数据的处理
4.1 评估方法
有监督学习的评估
分类问题的评估方法
回归问题的评估方法
均方误差和决定系数指标的不同
与其他算法进行比较
超参数的设置
模型的过拟合
防止过拟合的方法
将数据分为训练数据和验证数据
交叉验证
搜索超参数
4.2 文本数据的转换处理
基于单词出现次数的转换
基于tf-idf的转换
应用于机器学习模型
4.3 图像数据的转换处理
直接将像素信息作为数值使用
将转换后的向量数据作为输入来应用机器学习模型
第5章 环境搭建
5.1 Python 3的安装
Windows
macOS
Linu
使用Anaconda在Windows上安装
5.2 虚拟环境
通过官方安装程序安装Python的情况
通过Anaconda安装Python的情况
5.3 三方包的安装
什么是三方包
安装三方包的方法
参考文献