本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中zui常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高ji方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。
本书适合机器学习从业者或有志成为机器学习从业者的人阅读。

 前言　　ix
第1章　引言　　1
1.1　为何选择机器学习　　1
1.1.1　机器学习能够解决的问题　　2
1.1.2　熟悉任务和数据　　4
1.2　为何选择Python　　4
1.3　scikit-learn　　4
1.4　必要的库和工具　　5
1.4.1　Jupyter Notebook　　6
1.4.2　NumPy　　6
1.4.3　SciPy　　6
1.4.4　matplotlib　　7
1.4.5　pandas　　8
1.4.6　mglearn　　9
1.5　Python 2与Python 3的对比　　9
1.6　本书用到的版本　　10
1.7　第壹个应用：鸢尾花分类　　11
1.7.1　初识数据　　12
1.7.2　衡量模型是否成功：训练数据与测试数据　　14
1.7.3　要事第壹：观察数据　　15
1.7.4　构建第壹个模型：k近邻算法　　16
1.7.5　做出预测　　17
1.7.6　评估模型　　18
1.8　小结与展望　　19
第2章　监督学习　　21
2.1　分类与回归　　21
2.2　泛化、过拟合与欠拟合　　22
2.3　监督学习算法　　24
2.3.1　一些样本数据集　　25
2.3.2　k 近邻　　28
2.3.3　线性模型　　35
2.3.4　朴素贝叶斯分类器　　53
2.3.5　决策树　　54
2.3.6　决策树集成　　64
2.3.7　核支持向量机　　71
2.3.8　神经网络（深度学习）　　80
2.4　分类器的不确定度估计　　91
2.4.1　决策函数　　91
2.4.2　预测概率　　94
2.4.3　多分类问题的不确定度　　96
2.5　小结与展望　　98
第3章　无监督学习与预处理　　100
3.1　无监督学习的类型　　100
3.2　无监督学习的挑战　　101
3.3　预处理与缩放　　101
3.3.1　不同类型的预处理　　102
3.3.2　应用数据变换　　102
3.3.3　对训练数据和测试数据进行相同的缩放　　104
3.3.4　预处理对监督学习的作用　　106
3.4　降维、特征提取与流形学习　　107
3.4.1　主成分分析　　107
3.4.2　非负矩阵分解　　120
3.4.3　用t-SNE进行流形学习　　126
3.5　聚类　　130
3.5.1　k 均值聚类　　130
3.5.2　凝聚聚类　　140
3.5.3　DBSCAN　　143
3.5.4　聚类算法的对比与评估　　147
3.5.5　聚类方法小结　　159
3.6　小结与展望　　159
第4章　数据表示与特征工程　　161
4.1　分类变量　　161
4.1.1　One-Hot编码（虚拟变量）　　162
4.1.2　数字可以编码分类变量　　166
4.2　分箱、离散化、线性模型与树　　168
4.3　交互特征与多项式特征　　171
4.4　单变量非线性变换　　178
4.5　自动化特征选择　　181
4.5.1　单变量统计　　181
4.5.2　基于模型的特征选择　　183
4.5.3　迭代特征选择　　184
4.6　利用专家知识　　185
4.7　小结与展望　　192
第5章　模型评估与改进　　193
5.1　交叉验证　　194
5.1.1　scikit-learn中的交叉验证　　194
5.1.2　交叉验证的优点　　195
5.1.3　分层k 折交叉验证和其他策略　　196
5.2　网格搜索　　200
5.2.1　简单网格搜索　　201
5.2.2　参数过拟合的风险与验证集　　202
5.2.3　带交叉验证的网格搜索　　203
5.3　评估指标与评分　　213
5.3.1　牢记zui终目标　　213
5.3.2　二分类指标　　214
5.3.3　多分类指标　　230
5.3.4　回归指标　　232
5.3.5　在模型选择中使用评估指标　　232
5.4　小结与展望　　234
第6章　算法链与管道　　236
6.1　用预处理进行参数选择　　237
6.2　构建管道　　238
6.3　在网格搜索中使用管道　　239
6.4　通用的管道接口　　242
6.4.1　用make_pipeline方便地创建管道　　243
6.4.2　访问步骤属性　　244
6.4.3　访问网格搜索管道中的属性　　244
6.5　网格搜索预处理步骤与模型参数　　246
6.6　网格搜索选择使用哪个模型　　248
6.7　小结与展望　　249