机器学习入门 Python语言实现

本书旨在为读者提供与机器学习有关Python3的基本编程概念。前4章快速介绍了Python 3、NumPy和Pandas。第5章介绍了机器学习的基本概念。第6章主要介绍机器学习分类器，例如逻辑回归、kNN、决策树、随机森林和SVM。第7章介绍了自然语言处理和强化学习。本书还提供了基于Keras的代码示例作为理论讨论的补充。此外还为正则表达式、Keras和TensorFlow 2提供了单独的附录。

本书旨在为读者提供与机器学习有关Python3的基本编程概念。前4章快速介绍了Python3、NumPy和Pandas。第5章介绍了机器学习的基本概念。第6章主要介绍机器学习分类器，例如逻辑回归、kNN、决策树、随机森林和SVM。第7章介绍了自然语言处理和强化学习。本书还提供了基于Keras的代码示例作为理论讨论的补充。此外还为正则表达式、Keras和TensorFlow2提供了单独的附录。

译者序
前言
第1章 Python 3简介
1.1 Python相关工具与安装
1.1.1 Python相关工具
1.1.2 安装Python
1.1.3 设置PATH环境变量（仅Windows）
1.2 Python编程基础
1.2.1 Python交互式解释器
1.2.2 Python基础语法
1.2.3 以模块形式保存代码
1.2.4 Python中的一些标准模块
1.2.5 help()和dir()函数
1.2.6 编译时和运行时的代码检查
1.3 Python中的简单数据类型
1.3.1 数字
1.3.2 字符串
1.3.3 处理日期
1.4 Python中的异常处理
1.4.1 处理用户输入
1.4.2 命令行参数
1.5 小结
第2章 条件逻辑、循环和函数
2.1 Python中的条件逻辑
2.1.1 Python的保留关键字
2.1.2 Python运算符的优先级
2.1.3 比较运算符和布尔运算符
2.2 Python中的变量和参数
2.2.1 局部变量和全局变量
2.2.2 变量的作用域
2.2.3 引用传递和值传递
2.2.4 实参和形参
2.3 在Python中使用循环
2.3.1 Python中的for循环
2.3.2 Python中的while循环
2.4 Python中的用户自定义函数
2.4.1 在函数中设定默认值
2.4.2 具有可变参数的函数
2.4.3 lambda表达式
2.5 递归
2.5.1 计算阶乘值
2.5.2 计算斐波那契数
2.5.3 计算两个数的优选公约数
2.5.4 计算两个数的最小公倍数
2.6 小结
第3章 Python数据类型
3.1 列表
3.1.1 列表和基本操作
3.1.2 列表中的表达式
3.1.3 连接字符串列表
3.1.4 Python中的range()函数
3.1.5 数组和append()函数
3.1.6 使用列表和split()函数
3.1.7 对列表中的单词计数
3.1.8 遍历成对的列表
3.1.9 其他与列表相关的函数
3.1.10 栈和队列
3.1.11 使用向量
3.1.12 使用矩阵
3.1.13 使用NumPy库处理矩阵
3.2 元组（不可变列表）
3.3 集合
3.4 字典
3.4.1 创建字典及字典中的基本操作
3.4.2 字典的相关函数和方法
3.4.3 字典的格式
3.4.4 有序字典
3.5 Python中的其他数据类型
3.5.1 Python中的其他序列类型
3.5.2 Python中的可变类型和不可变类型
3.5.3 type()函数
3.6 小结
第4章 NumPy和Pandas介绍
4.1 NumPy
4.1.1 NumPy简介
4.1.2 NumPy数组
4.1.3 使用NumPy数组的示例
4.2 子范围
4.2.1 使用向量的“-1”子范围
4.2.2 使用数组的“-1”子范围
4.3 NumPy中其他有用的方法
4.3.1 数组和向量操作
4.3.2 NumPy和点积
4.3.3 NumPy和向量的“范数”
4.3.4 NumPy和向量的乘积
4.3.5 NumPy和reshape()方法
4.3.6 计算均值和标准差
4.4 Pandas
4.5 Pandas DataFrame的各种操作
4.5.1 合并Pandas DataFrame
4.5.2 使用Pandas DataFrame进行数据操作
4.5.3 Pandas DataFrame和CSV文件
4.5.4 Pandas DataFrame和Excel电子表格
4.5.5 选择、添加和删除DataFrame中的列
4.5.6 Pandas DataFrame和散点图
4.5.7 Pandas DataFrame和简单统计
4.5.8 Pandas中简单有用的命令
4.6 小结
第5章 机器学习
5.1 什么是机器学习
5.1.1 机器学习算法的类型
5.1.2 特征工程、特征选择和特征提取
5.1.3 降维
5.2 使用数据集
5.2.1 训练数据与测试数据
5.2.2 什么是交叉验证
5.2.3 正则化
5.2.4 偏差-方差的权衡
5.2.5 模型性能的衡量指标
5.3 线性回归
5.3.1 线性回归与曲线拟合
5.3.2 何时的解是准确值
5.3.3 什么是多元分析
5.3.4 其他类型的回归
5.3.5 平面中对直线的处理（选读）
5.4 求解线性回归问题的示例
5.4.1 使用NumPy和Matplotlib绘制散点图
5.4.2 MSE
5.4.3 Keras的线性回归
5.5 小结
第6章 机器学习中的分类器
6.1 分类器
6.1.1 什么是分类
6.1.2 线性分类器
6.1.3 kNN
6.1.4 决策树
6.1.5 随机森林
6.1.6 支持向量机
6.1.7 贝叶斯分类器
6.1.8 训练分类器
6.1.9 评估分类器
6.2 激活函数
6.2.1 什么是激活函数
6.2.2 常见的激活函数
6.2.3 ReLU和ELU激活函数
6.2.4 sigmoid、softmax和tanh的相似之处
6.2.5 sigmoid、softmax和hardmax的区别
6.3 逻辑回归
6.3.1 设置阈值
6.3.2 逻辑回归的重要假设
6.3.3 线性可分数据
6.4 Keras、逻辑回归和Iris数据集
6.5 小结
第7章 自然语言处理与强化学习
7.1 使用NLP
7.1.1 NLP技术
7.1.2 流行的NLP算法
7.1.3 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0
7.1.4 什么是Translatotron
7.1.5 NLU与NLG
7.2 强化学习
7.2.1 RL应用
7.2.2 NLP和RL
7.2.3 RL中的值、策略和模型
7.2.4 从NFA到MDP
7.2.5 ε贪心算法
7.2.6 贝尔曼方程
7.2.7 RL中的其他重要概念
7.3 RL工具包和框架
7.3.1 TF-Agents
7.3.2 深度RL
7.4 小结
附录A 正则表达式简介
附录B Keras介绍
附录C TF 2介绍