機器學習入門：Python語言實現(xiàn)

譯者序
前言
第1章　Python 3簡介 1
11　Python相關(guān)工具與安裝 1
111　Python相關(guān)工具 1
112　安裝Python 3
113　設置PATH環(huán)境變量（僅Windows） 3
12　Python編程基礎 3
121　Python交互式解釋器 3
122　Python基礎語法 4
123　以模塊形式保存代碼 6
124　Python中的一些標準模塊 7
125　help(?)和dir(?)函數(shù) 7
126　編譯時和運行時的代碼檢查 8
13　Python中的簡單數(shù)據(jù)類型 9
131　數(shù)字 9
132　字符串 12
133　處理日期 19
14　Python中的異常處理 21
141　處理用戶輸入 22
142　命令行參數(shù) 24
15　小結(jié) 25
第2章　條件邏輯、循環(huán)和函數(shù) 26
21　Python中的條件邏輯 26
211　Python的保留關(guān)鍵字 27
212　Python運算符的優(yōu)先級 28
213　比較運算符和布爾運算符 28
22　Python中的變量和參數(shù) 29
221　局部變量和全局變量 29
222　變量的作用域 29
223　引用傳遞和值傳遞 31
224　實參和形參 31
23　在Python中使用循環(huán) 32
231　Python中的for循環(huán) 32
232　Python中的while循環(huán) 39
24　Python中的用戶自定義函數(shù) 41
241　在函數(shù)中設定默認值 42
242　具有可變參數(shù)的函數(shù) 42
243　lambda表達式 43
25　遞歸 44
251　計算階乘值 44
252　計算斐波那契數(shù) 45
253　計算兩個數(shù)的最大公約數(shù) 45
254　計算兩個數(shù)的最小公倍數(shù) 46
26　小結(jié) 47
第3章　Python數(shù)據(jù)類型 48
31　列表 48
311　列表和基本操作 48
312　列表中的表達式 53
313　連接字符串列表 53
314　Python中的range(?)函數(shù) 54
315　數(shù)組和append(?)函數(shù) 55
316　使用列表和split(?)函數(shù) 56
317　對列表中的單詞計數(shù) 56
318　遍歷成對的列表 57
319　其他與列表相關(guān)的函數(shù) 57
3110　棧和隊列 59
3111　使用向量 60
3112　使用矩陣 61
3113　使用NumPy庫處理矩陣 61
32　元組（不可變列表） 62
33　集合 63
34　字典 64
341　創(chuàng)建字典及字典中的基本操作 65
342　字典的相關(guān)函數(shù)和方法 67
343　字典的格式 67
344　有序字典 67
35　Python中的其他數(shù)據(jù)類型 68
351　Python中的其他序列類型 68
352　Python中的可變類型和不可變類型 69
353　type(?)函數(shù) 70
36　小結(jié) 70
第4章　NumPy和Pandas介紹 71
41　NumPy 71
411　NumPy簡介 71
412　NumPy數(shù)組 72
413　使用NumPy數(shù)組的示例 73
42　子范圍 77
421　使用向量的“-1”子范圍 77
422　使用數(shù)組的“-1”子范圍 77
43　NumPy中其他有用的方法 78
431　數(shù)組和向量操作 79
432　NumPy和點積 79
433　NumPy和向量的“范數(shù)” 80
434　NumPy和向量的乘積 81
435　NumPy和reshape(?)方法 82
436　計算均值和標準差 83
44　Pandas 84
45　Pandas DataFrame的各種操作 89
451　合并Pandas DataFrame 89
452　使用Pandas DataFrame進行數(shù)據(jù)操作 90
453　Pandas DataFrame和CSV文件 93
454　Pandas DataFrame和Excel電子表格 95
455　選擇、添加和刪除DataFrame中的列 96
456　Pandas DataFrame和散點圖 97
457　Pandas DataFrame和簡單統(tǒng)計 98
458　Pandas中簡單有用的命令 98
46　小結(jié) 100
第5章　機器學習 101
51　什么是機器學習 101
511　機器學習算法的類型 103
512　特征工程、特征選擇和特征提取 105
513　降維 106
52　使用數(shù)據(jù)集 107
521　訓練數(shù)據(jù)與測試數(shù)據(jù) 108
522　什么是交叉驗證 108
523　正則化 108
524　偏差-方差的權(quán)衡 109
525　模型性能的衡量指標 109
53　線性回歸 111
531　線性回歸與曲線擬合 112
532　何時的解是準確值 112
533　什么是多元分析 112
534　其他類型的回歸 113
535　平面中對直線的處理（選讀） 113
54　求解線性回歸問題的示例 116
541　使用NumPy和Matplotlib繪制散點圖 116
542　MSE 119
543　Keras的線性回歸 123
55　小結(jié) 126
第6章　機器學習中的分類器 127
61　分類器 127
611　什么是分類 127
612　線性分類器 129
613　kNN 129
614　決策樹 130
615　隨機森林 133
616　支持向量機 134
617　貝葉斯分類器 134
618　訓練分類器 136
619　評估分類器 137
62　激活函數(shù) 137
621　什么是激活函數(shù) 137
622　常見的激活函數(shù) 139
623　ReLU和ELU激活函數(shù) 140
624　sigmoid、softmax和tanh的相似之處 141
625　sigmoid、softmax和hardmax的區(qū)