Python机器学习入门:机器学习算法的理论与实践

人工智能无疑是近年来热门词汇，而机器学习作为其基础的理论占有举足轻重的地位，杜宇想要进入人工智能行业的您来说，节省时间、快速入门首要问题。再多的知识也要实践，现场实操，才是快速学习、消化的通路。 《Python机器学习入门：机器学习算法的理论与实践》正是这样一本，从基础理论讲起，以实操驱动的方式全面展示技巧和方法，为您提供了快速入门机器学习的途径，找到了学习的方法。

本书全面细致地讲解了机器学习的基础知识及其应用，具体内容包括机器学习中必要的环境搭建和Python的基础知识、有监督学习和无监督学习的理论及其实际应用案例、有监督学习和无监督学习的机器学习模式，并以理论结合公式的方式讲解了Python代码的编写方法，以及数据的采集、处理和实际操作中机器学习的模式。 本书适合人工智能、机器学习方向的学生和技术人员学习、使用，也适合广大人工智能爱好者阅读。

译者的话
原书前言
第1章 阅读本书前的准备
1.1 Python的安装
1.1.1 何为Python
1.1.2 Homebrew的安装
1.1.3 Python3的安装
1.1.4 虚拟环境的创建
1.1.5 为何使用venv（为何不用pyenv、anaconda）
1.2 Python的使用方法
1.2.1 输出Hello World！
1.2.2 IPython的使用
1.2.3 四则运算
1.2.4 字符串的使用
1.2.5 列表类型的使用
1.2.6 字典类型的使用
1.2.7 其他数据类型
1.2.8 条件分支
1.2.9 循环
1.2.10 函数的使用
1.2.11 类的使用
1.2.12 标准库的使用
1.3 Jupyter Notebook的安装和使用
1.3.1 Jupyter Notebook的安装和启动
1.3.2 Jupyter Notebook的使用
1.4 NumPy、scikit-learn、matplotlib、Pandas的使用
1.4.1 NumPy的安装和使用
1.4.2 scikit-learn的安装和使用
1.4.3 matplotlib的安装和使用
1.4.4 Pandas的安装和使用
第2章 机器学习在实际中的使用
2.1 在工作中运用机器学习
2.1.1 关于机器学习
2.1.2 输入输出的格式化
2.1.3 分析任务的本质
2.1.4 实际问题的分析案例
2.2 用样本数据尝试有监督学习
2.2.1 尝试分类的案例
2.2.2 运用决策树分类
2.2.3 尝试解决实际问题
2.2.4 解决实际问题的注意要点
2.3 用样本数据尝试无监督学习
2.3.1 无监督学习
2.3.2 使用样本尝试scikit-learn
2.4 小结
第3章 机器学习基础理论
3.1 数学知识的准备
3.1.1 本节的学习流程
3.1.2 为什么数学是必要的
3.1.3 集合和函数基础
3.1.4 线性代数基础
3.1.5 微分基础
3.1.6 概率统计基础
3.2 机器学习的基础
3.2.1 机器学习的目的
3.2.2 技术性的假设和用语
3.2.3 有监督学习概述
3.2.4 从泛化误差看有监督学习
3.2.5 无监督学习概述
3.3 有监督学习
3.3.1 分类模型的精度评价
3.3.2 逻辑回归
3.3.3 神经网络
3.3.4 梯度提升决策树
3.4 无监督学习
3.4.1 混合高斯模型
3.4.2 k-均值
3.4.3 层次聚类
3.4.4 核密度估计
3.4.5 t-SNE
第4章 数据的整合与处理
4.1 机器学习中数据的使用流程
4.2 数据的获取和整合
4.2.1 数据结构的理解
4.2.2 从结构化数据中读取数据
4.2.3 读取数据
4.2.4 分组聚合
4.2.5 时间格式的操作方法
4.2.6 合并
4.3 数据的格式化
4.3.1 数据种类的理解
4.3.2 标准化
4.3.3 缺省值
4.4 非结构化数据的处理
4.4.1 文本数据的预处理
4.4.2 终端中MeCab的应用
4.4.3 Python中MeCab的应用
4.4.4 图片数据的处理
4.5 不平衡数据的处理
4.5.1 分类问题中的不平衡数据
4.5.2 数据不平衡问题
4.5.3 一般的处理方法
4.5.4 样本权重的调整
4.5.5 降采样法