Python機器學習入門：機器學習算法的理論與實踐

目錄
譯者的話
原書前言
第1章閱讀本書前的準備
1.1Python的安裝
1.1.1何為Python
1.1.2Homebrew的安裝
1.1.3Python3的安裝
1.1.4虛擬環(huán)境的創(chuàng)建
1.1.5為何使用venv（為何不用pyenv、anaconda）
1.2Python的使用方法
1.2.1輸出Hello World！
1.2.2IPython的使用
1.2.3四則運算
1.2.4字符串的使用
1.2.5列表類型的使用
1.2.6字典類型的使用
1.2.7其他數(shù)據(jù)類型
1.2.8條件分支
1.2.9循環(huán)
1.2.10函數(shù)的使用
1.2.11類的使用
1.2.12標準庫的使用
1.3Jupyter Notebook的安裝和使用
1.3.1Jupyter Notebook的安裝和啟動
1.3.2Jupyter Notebook的使用
1.4NumPy、scikit-learn、matplotlib、Pandas的使用
1.4.1NumPy的安裝和使用
1.4.2scikit-learn的安裝和使用
1.4.3matplotlib的安裝和使用
1.4.4Pandas的安裝和使用
第2章機器學習在實際中的使用
2.1在工作中運用機器學習
2.1.1關于機器學習
2.1.2輸入輸出的格式化
2.1.3分析任務的本質
2.1.4實際問題的分析案例
2.2用樣本數(shù)據(jù)嘗試有監(jiān)督學習
2.2.1嘗試分類的案例
2.2.2運用決策樹分類
2.2.3嘗試解決實際問題
2.2.4解決實際問題的注意要點
2.3用樣本數(shù)據(jù)嘗試無監(jiān)督學習
2.3.1無監(jiān)督學習
2.3.2使用樣本嘗試scikit-learn
2.4小結
第3章機器學習基礎理論
3.1數(shù)學知識的準備
3.1.1本節(jié)的學習流程
3.1.2為什么數(shù)學是必要的
3.1.3集合和函數(shù)基礎
3.1.4線性代數(shù)基礎
3.1.5微分基礎
3.1.6概率統(tǒng)計基礎
3.2機器學習的基礎
3.2.1機器學習的目的
3.2.2技術性的假設和用語
3.2.3有監(jiān)督學習概述
3.2.4從泛化誤差看有監(jiān)督學習
3.2.5無監(jiān)督學習概述
3.3有監(jiān)督學習
3.3.1分類模型的精度評價
3.3.2邏輯回歸
3.3.3神經網絡
3.3.4梯度提升決策樹
3.4無監(jiān)督學習
3.4.1混合高斯模型
3.4.2k-均值
3.4.3層次聚類
3.4.4核密度估計
3.4.5t-SNE
第4章數(shù)據(jù)的整合與處理
4.1機器學習中數(shù)據(jù)的使用流程
4.2數(shù)據(jù)的獲取和整合
4.2.1數(shù)據(jù)結構的理解
4.2.2從結構化數(shù)據(jù)中讀取數(shù)據(jù)
4.2.3讀取數(shù)據(jù)
4.2.4分組聚合
4.2.5時間格式的操作方法
4.2.6合并
4.3數(shù)據(jù)的格式化
4.3.1數(shù)據(jù)種類的理解
4.3.2標準化
4.3.3缺省值
4.4非結構化數(shù)據(jù)的處理
4.4.1文本數(shù)據(jù)的預處理
4.4.2終端中MeCab的應用
4.4.3Python中MeCab的應用
4.4.4圖片數(shù)據(jù)的處理
4.5不平衡數(shù)據(jù)的處理
4.5.1分類問題中的不平衡數(shù)據(jù)
4.5.2數(shù)據(jù)不平衡問題
4.5.3一般的處理方法
4.5.4樣本權重的調整
4.5.5降采樣法