内容提要：

《Python机器学习》通过解释数学原理和展示编程示例对机器学习进行了系统、全面的解析。《Python机器学习》共分为12章，内容涵盖了机器学习以及Python语言的基础知识、特征工程的概念与操作技术、数据可视化技术的实现、监督学习及无监督学习算法、文本分析、神经网络和深度学习、推荐系统的构建方法以及预测处理时间序列的方法等。阅读《Python机器学习》能够加深读者对机器学习的认识和理解，从而达到理论与实践相结合、学以致用的目的。 《Python机器学习》适合Python程序员、数据分析人员、对机器学习感兴趣的读者以及机器学习领域的从业人员阅读。

作者简介：

Abhishek Vijayvargia是一位数据科学家，他活跃在IT技术领域，并解决了与数据科学和机器学习相关的实时问题。他专注于数据分析，涉及的领域包括运输业、政府工程、石油和天然气以及物联网等。 他获得了印度理工学院坎普尔分校的人工智能专业硕士学位，关注方向是分布式机器学习、深度学习、流处理和区块链。他担任各种机器学习课题的导师，并进行其他算法、数据方面的培训。

本书目录：

第 1章　走进机器学习 1

1.1　机器学习概述 1

1.2　机器学习过程 2

第 2章　了解Python 20

2.1　为什么选择Python 20

2.2　下载和安装Python 22

2.2.1　在Windows中安装Python 22

2.2.2　Anaconda 24

2.3　*个Python程序 26

2.4　Python基础 27

2.5　数据结构与循环 36

第3章　特征工程 42

3.1　什么是特征 42

3.2　为什么执行特征工程 43

3.3　特征提取 43

3.4　特征选择 43

3.5　特征工程方法——通用准则 44

3.5.1　处理数值特征 44

3.5.2　处理分类特征 45

3.5.3　处理基于时间的特征 47

3.5.4　处理文本特征 47

3.5.5　缺失数据 48

3.5.6　降维 48

3.6　用Python进行特征工程 49

3.6.1　Pandas基本操作 49

3.6.2　常见任务 57

第4章　数据可视化 62

4.1　折线图 63

4.2　条形图 66

4.3　饼图 67

4.4　直方图 68

4.5　散点图 69

4.6　箱线图 70

4.7　采用面向对象的方式绘图 71

4.8　Seaborn 73

4.8.1　分布图 74

4.8.2　双变量分布 75

4.8.3　二元分布的核密度估计 75

4.8.4　成对双变量分布 76

4.8.5　分类散点图 76

4.8.6　小提琴图 77

4.8.7　点图 78

第5章　回归 79

5.1　简单回归 80

5.2　多元回归 92

5.3　模型评价 94

5.3.1　训练误差 95

5.3.2　泛化误差 96

5.3.3　测试误差 97

5.3.4　不可约误差 98

5.3.5　偏差—方差权衡 99

第6章　更多回归 105

6.1　概述 105

6.2　岭回归 112

6.3　套索回归 118

6.3.1　全子集算法 118

6.3.2　用于特征选择的贪心算法 119

6.3.3　特征选择的正则化 119

6.4　非参数回归 122

6.4.1　K-*近邻回归 124

6.4.2　核回归 127

第7章　分类 128

7.1　线性分类器 129

7.2　逻辑回归 133

7.3　决策树 147

7.3.1　关于树的术语 148

7.3.2　决策树学习 149

7.3.3　决策边界 151

7.4　随机森林 158

7.5　朴素贝叶斯 164

第8章　无监督学习 169

8.1　聚类 170

8.2　K-均值聚类 170

8.2.1　随机分配聚类质心的问题 175

8.2.2　查找K的值 175

8.3　分层聚类 182

8.3.1　距离矩阵 184

8.3.2　连接 185

第9章　文本分析 189

9.1　使用Python进行基本文本处理 189

9.1.1　字符串比较 191

9.1.2　字符串转换 191

9.1.3　字符串操作 192

9.2　正则表达式 193

9.3　自然语言处理 195

9.3.1　词干提取 196

9.3.2　词形还原 197

9.3.3　分词 197

9.4　文本分类 200

9.5　主题建模 206

第 10章　神经网络与深度学习 209

10.1　矢量化 210

10.2　神经网络 218

10.2.1　梯度下降 220

10.2.2　激活函数 221

10.2.3　参数初始化 224

10.2.4　优化方法 227

10.2.5　损失函数 227

10.3　深度学习 229

10.4　深度学习架构 230

10.4.1　深度信念网络 231

10.4.2　卷积神经网络 231

10.4.3　循环神经网络 231

10.4.4　长短期记忆网络 231

10.4.5　深度堆栈网络 232

10.5　深度学习框架 232

第 11章　推荐系统 237

11.1　基于流行度的推荐引擎 237

11.2　基于内容的推荐引擎 240

11.3　基于分类的推荐引擎 243

11.4　协同过滤 245

第 12章　时间序列分析 249

12.1　处理日期和时间 249

12.2　窗口函数 254

12.3　相关性 258

12.4　时间序列预测 261

最后，想学习Python的小伙伴们！

请关注+私信回复：“学习”就可以拿到一份我为大家准备的Python学习资料！