Python机器学习基础教程

版权信息 书名：Python机器学习基础教程 作者：[德] Andreas C. Müller [美] Sarah Guido 译者：张亮（hysic） ISBN：978-7-115-47561-9 本书由北京图灵文化发展有限公司发行数字版。版权所有，侵权必 究。 您购买的图灵电子书仅供您个人使用，未经授权，不得以任何方式复制 和传播本书内容。 我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。 如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐 号等维权措施，并可能追究法律责任。 091507240605ToBeReplacedWithUserId 版权声明 O'Reilly Media, Inc. 介绍 业界评论 前言 目标读者 写作本书的原因 本书概览 在线资源 排版约定 使用代码示例 Safari® Books Online 联系我们 致谢 来自Andreas的致谢 来自Sarah的致谢 电子书 第 1 章 引言 1.1 为何选择机器学习 1.1.1 机器学习能够解决的问题 1.1.2 熟悉任务和数据 1.2 为何选择Python 1.3 scikit-learn 安装scikit-learn 1.4 必要的库和工具 1.4.1 Jupyter Notebook 1.4.2 NumPy 1.4.3 SciPy 1.4.4 matplotlib 1.4.5 pandas 1.4.6 mglearn 1.5 Python 2与Python 3的对比 1.6 本书用到的版本 1.7 第一个应用：鸢尾花分类 1.7.1 初识数据 1.7.2 衡量模型是否成功：训练数据与测试数据 1.7.3 要事第一：观察数据 1.7.4 构建第一个模型：k近邻算法 1.7.5 做出预测 1.7.6 评估模型 1.8 小结与展望 第 2 章 监督学习 2.1 分类与回归 2.2 泛化、过拟合与欠拟合 模型复杂度与数据集大小的关系 2.3 监督学习算法 2.3.1 一些样本数据集 2.3.2 k近邻 2.3.3 线性模型 2.3.4 朴素贝叶斯分类器 2.3.5 决策树 2.3.6 决策树集成 2.3.7 核支持向量机 2.3.8 神经网络（深度学习） 2.4 分类器的不确定度估计 2.4.1 决策函数 2.4.2 预测概率 2.4.3 多分类问题的不确定度 2.5 小结与展望 第 3 章 无监督学习与预处理 3.1 无监督学习的类型 3.2 无监督学习的挑战 3.3 预处理与缩放 3.3.1 不同类型的预处理 3.3.2 应用数据......