第一部分 初始

1 初识机器学习 2

1.1 学习机器学习的误区 2

1.2 什么是机器学习 3

1.3 Python 中的机器学习 3

1.4 学习机器学习的原则 5

1.5 学习机器学习的技巧 5

1.6 这本书不涵盖以下内容 6

1.7 代码说明 6

1.8 总结 6

2 Python 机器学习的生态圈 7

2.1 Python 7

2.2 SciPy 9

2.3 scikit-learn 9

2.4 环境安装 10

2.5 总结 12

3 第一个机器学习项目 13

3.1 机器学习中的 Hello World 项目 13

3.2 导入数据 14

3.3 概述数据 15

3.4 数据可视化 18

3.5 评估算法 20

3.6 实施预测 23

3.7 总结 24

4 Python 和 SciPy 速成 25

4.1 Python 速成 25

4.2 NumPy 速成 34

4.3 Matplotlib 速成 36

4.4 Pandas 速成 39

4.5 总结 41

第二部分 数据理解

5 数据导入 44

5.1 CSV 文件 44

5.2 Pima Indians 数据集 45

5.3 采用标准 Python 类库导入数据 46

5.4 采用 NumPy 导入数据 46

5.5 采用 Pandas 导入数据 47

5.6 总结 47

6 数据理解 48

6.1 简单地查看数据 48

6.2 数据的维度 49

6.3 数据属性和类型 50

6.4 描述性统计 50

6.5 数据分组分布（适用于分类算法） 51

6.6 数据属性的相关性 52

6.7 数据的分布分析 53

6.8 总结 54

7 数据可视化 55

7.1 单一图表 55

7.2 多重图表 58

7.3 总结 61

第三部分 数据准备

8 数据预处理 64

8.1 为什么需要数据预处理 64

8.2 格式化数据 65

8.3 调整数据尺度 65

8.4 正态化数据 67

8.5 标准化数据 68

8.6 二值数据 69

8.7 总结 70

9 数据特征选定 71

9.1 特征选定 72

9.2 单变量特征选定 72

9.3 递归特征消除 73

9.4 主要成分分析 75

9.5 特征重要性 76

9.6 总结 76

第四部分 选择模型

10 评估算法 78

10.1 评估算法的方法 78

10.2 分离训练数据集和评估数据集 79

10.3 K 折交叉验证分离 80

10.4 弃一交叉验证分离 81

10.5 重复随机分离评估数据集与训练数据集 82

10.6 总结 83

11 算法评估矩阵 85

11.1 算法评估矩阵 85

11.2 分类算法矩阵 86

11.3 回归算法矩阵 93

11.4 总结 96

12 审查分类算法 97

12.1 算法审查 97

12.2 算法概述 98

12.3 线性算法 98

12.4 非线性算法 101

12.5 总结 105

13 审查回归算法 106

13.1 算法概述 106

13.2 线性算法 107

13.3 非线性算法 111

13.4 总结 113

14 算法比较 115

14.1 选择最佳的机器学习算法 115

14.2 机器学习算法的比较 116

14.3 总结 118

15 自动流程 119

15.1 机器学习的自动流程 119

15.2 数据准备和生成模型的 Pipeline 120

15.3 特征选择和生成模型的 Pipeline 121

15.4 总结 122

第五部分 优化模型

16 集成算法 124

16.1 集成的方法 124

16.2 装袋算法 125

16.3 提升算法 129

16.4 投票算法 131

16.5 总结 132

17 算法调参 133

17.1 机器学习算法调参 133

17.2 网格搜索优化参数 134

17.3 随机搜索优化参数 135

17.4 总结 136

第六部分 结果部署

18 持久化加载模型 138

18.1 通过 pickle 序列化和反序列化机器学习的模型 138

18.2 通过 joblib 序列化和反序列化机器学习的模型 140

18.3 生成模型的技巧 141

18.4 总结 141

第七部分 项目实践

19 预测模型项目模板 144

19.1 在项目中实践机器学习 145

19.2 机器学习项目的 Python 模板 145

19.3 各步骤的详细说明 146

19.4 使用模板的小技巧 148

19.5 总结 149

20 回归项目实例 150

20.1 定义问题 150

20.2 导入数据 151

20.3 理解数据 152

20.4 数据可视化 155

20.5 分离评估数据集 159

20.6 评估算法 160

20.7 调参改善算法 164

20.8 集成算法 165

20.9 集成算法调参 167

20.10 确定最终模型 168

20.11 总结 169

21 二分类实例 170

22 文本分类实例 192

data:

资源下载：http://www.broadview.com.cn/book/5195

书籍这里购买：https://item.jd.com/12252293.html