《Python机器学习入门：机器学习算法的理论与实践》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。

目录

译者的话

原书前言

第1章阅读本书前的准备

1.1Python的安装

1.1.1何为Python

1.1.2Homebrew的安装

1.1.3Python3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）

1.2Python的使用方法

1.2.1输出Hello World！

1.2.2IPython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

1.3Jupyter Notebook的安装和使用

1.3.1Jupyter Notebook的安装和启动

1.3.2Jupyter Notebook的使用

1.4NumPy、scikit-learn、matplotlib、Pandas的使用

1.4.1NumPy的安装和使用

1.4.2scikit-learn的安装和使用

1.4.3matplotlib的安装和使用

1.4.4Pandas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

3.4.2k-均值

3.4.3层次聚类

3.4.4核密度估计

3.4.5t-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

4.4.3Python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