第　1章

机器学习基础　1

1．1　机器学习概要　2

什么是机器学习　2

机器学习的种类　3

机器学习的应用　8

1．2　机器学习的步骤　9

数据的重要性　9

有监督学习（分类）的例子　11

无监督学习（聚类）的例子　16

可视化　18

图形的种类和画法：使用Matplotlib显示图形的方法　22

使用pandas理解和处理数据　30

本章小结　36

第　2章

有监督学习　37

2．1　算法1：线性回归　38

概述　38

算法说明　39

详细说明　41

2．2　算法2：正则化　45

概述　45

算法说明　48

详细说明　50

2．3　算法3：逻辑回归　52

概述　52

算法说明　53

详细说明　55

2．4　算法4：支持向量机　58

概述　58

算法说明　59

详细说明　60

2．5　算法5：支持向量机（核方法）　63

概述　63

算法说明　64

详细说明　65

2．6　算法6：朴素贝叶斯　68

概述　68

算法说明　70

详细说明　74

2．7　算法7：随机森林　76

概述　76

算法说明　77

详细说明　80

2．8　算法8：神经网络　81

概述　81

算法说明　83

详细说明　86

2．9　算法9：KNN　88

概述　88

算法说明　89

详细说明　90

第3章

无监督学习　93

3．1　算法10：PCA　94

概述　94

算法说明　95

详细说明　98

3．2　算法11：LSA　99

概述　99

算法说明　100

详细说明　104

3．3　算法12：NMF　105

概述　105

算法说明　106

详细说明　108

3．4　算法13：LDA　111

概述　111

算法说明　112

详细说明　114

3．5　算法14：k-means算法　117

概述　117

算法说明　117

详细说明　119

3．6　算法15：混合高斯分布　122

概述　122

算法说明　123

详细说明　126

3．7　算法16：LLE　127

概述　127

算法说明　128

详细说明　131

3．8　算法17：t-SNE　133

概述　133

算法说明　134

详细说明　136

第4章

评估方法和各种数据的处理　139

4．1　评估方法　140

有监督学习的评估　140

分类问题的评估方法　140

回归问题的评估方法　148

均方误差和决定系数指标的不同　152

与其他算法进行比较　152

超参数的设置　154

模型的过拟合　155

防止过拟合的方法　155

将数据分为训练数据和验证数据　156

交叉验证　158

搜索超参数　160

4．2　文本数据的转换处理　163 基于单词出现次数的转换　163 基于tf-idf的转换　164 应用于机器学习模型　165 4．3　图像数据的转换处理　167 直接将像素信息作为数值使用　167 将转换后的向量数据作为输入来应用机器学习模型　168 第5章 环境搭建　171 5．1　Python 3的安装　172 Windows　172 macOS　172 Linux　173 使用Anaconda在Windows上安装　174 5．2　虚拟环境　175 通过官方安装程序安装Python的情况　175 通过Anaconda安装Python的情况　177 5．3　第三方包的安装　178 什么是第三方包　178 安装第三方包的方法　178 参考文献　180

......

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。