Python機器學習（簡體書）

《Python機器學習》通過解釋數學原理和展示編程示例對機器學習進行了系統、全面的解析。《Python機器學習》共分為12章，內容涵蓋了機器學習以及Python語言的基礎知識、特徵工程的概念與操作技術、數據可視化技術的實現、監督學習及無監督學習算法、文本分析、神經網絡和深度學習、推薦系統的構建方法以及預測處理時間序列的方法等。閱讀《Python機器學習》能夠加深讀者對機器學習的認識和理解，從而達到理論與實踐相結合、學以致用的目的。
《Python機器學習》適合Python程序員、數據分析人員、對機器學習感興趣的讀者以及機器學習領域的從業人員閱讀。

第 1章 走進機器學習 1
1.1 機器學習概述 1
1.2 機器學習過程 2
第 2章 瞭解Python 20
2.1 為什麼選擇Python 20
2.2 下載和安裝Python 22
2.2.1 在Windows中安裝Python 22
2.2.2 Anaconda 24
2.3 首個Python程序 26
2.4 Python基礎 27
2.5 數據結構與循環 36
第3章 特徵工程 42
3.1 什麼是特徵 42
3.2 為什麼執行特徵工程 43
3.3 特徵提取 43
3.4 特徵選擇 43
3.5 特徵工程方法――通用準則 44
3.5.1 處理數值特徵 44
3.5.2 處理分類特徵 45
3.5.3 處理基於時間的特徵 47
3.5.4 處理文本特徵 47
3.5.5 缺失數據 48
3.5.6 降維 48
3.6 用Python進行特徵工程 49
3.6.1 Pandas基本操作 49
3.6.2 常見任務 57
第4章 數據可視化 62
4.1 折線圖 63
4.2 條形圖 66
4.3 餅圖 67
4.4 直方圖 68
4.5 散點圖 69
4.6 箱線圖 70
4.7 採用面向對象的方式繪圖 71
4.8 Seaborn 73
4.8.1 分佈圖 74
4.8.2 雙變量分佈 75
4.8.3 二元分佈的核密度估計 75
4.8.4 成對雙變量分佈 76
4.8.5 分類散點圖 76
4.8.6 小提琴圖 77
4.8.7 點圖 78
第5章 回歸 79
5.1 簡單回歸 80
5.2 多元回歸 92
5.3 模型評價 94
5.3.1 訓練誤差 95
5.3.2 泛化誤差 96
5.3.3 測試誤差 97
5.3.4 不可約誤差 98
5.3.5 偏差―方差權衡 99
第6章 更多回歸 105
6.1 概述 105
6.2 嶺回歸 112
6.3 套索回歸 118
6.3.1 全子集算法 118
6.3.2 用於特徵選擇的貪心算法 119
6.3.3 特徵選擇的正則化 119
6.4 非參數回歸 122
6.4.1 K-最近鄰回歸 124
6.4.2 核回歸 127
第7章 分類 128
7.1 線性分類器 129
7.2 邏輯回歸 133
7.3 決策樹 147
7.3.1 關於樹的術語 148
7.3.2 決策樹學習 149
7.3.3 決策邊界 151
7.4 隨機森林 158
7.5 樸素貝葉斯 164
第8章 無監督學習 169
8.1 聚類 170
8.2 K-均值聚類 170
8.2.1 隨機分配聚類質心的問題 175
8.2.2 查找K的值 175
8.3 分層聚類 182
8.3.1 距離矩陣 184
8.3.2 連接 185
第9章 文本分析 189
9.1 使用Python進行基本文本處理 189
9.1.1 字符串比較 191
9.1.2 字符串轉換 191
9.1.3 字符串操作 192
9.2 正則表達式 193
9.3 自然語言處理 195
9.3.1 詞幹提取 196
9.3.2 詞形還原 197
9.3.3 分詞 197
9.4 文本分類 200
9.5 主題建模 206
第 10章 神經網絡與深度學習 209
10.1 矢量化 210
10.2 神經網絡 218
10.2.1 梯度下降 220
10.2.2 激活函數 221
10.2.3 參數初始化 224
10.2.4 優化方法 227
10.2.5 損失函數 227
10.3 深度學習 229
10.4 深度學習架構 230
10.4.1 深度信念網絡 231
10.4.2 卷積神經網絡 231
10.4.3 循環神經網絡 231
10.4.4 長短期記憶網絡 231
10.4.5 深度堆棧網絡 232
10.5 深度學習框架 232
第 11章 推薦系統 237
11.1 基於流行度的推薦引擎 237
11.2 基於內容的推薦引擎 240
11.3 基於分類的推薦引擎 243
11.4 協同過濾 245
第 12章 時間序列分析 249
12.1 處理日期和時間 249
12.2 窗口函數 254
12.3 相關性 258
12.4 時間序列預測 261