目錄
譯者的話
原書前言
第1章閱讀本書前的準備
1.1Python的安裝
1.1.1何為Python
1.1.2Homebrew的安裝
1.1.3Python3的安裝
1.1.4虛擬環境的創建
1.1.5為何使用venv（為何不用pyenv、anaconda）
1.2Python的使用方法
1.2.1輸出Hello World！
1.2.2IPython的使用
1.2.3四則運算
1.2.4字符串的使用
1.2.5列表類型的使用
1.2.6字典類型的使用
1.2.7其他數據類型
1.2.8條件分支
1.2.9循環
1.2.10函數的使用
1.2.11類的使用
1.2.12標準庫的使用
1.3Jupyter Notebook的安裝和使用
1.3.1Jupyter Notebook的安裝和啟動
1.3.2Jupyter Notebook的使用
1.4NumPy、scikit-learn、matplotlib、Pandas的使用
1.4.1NumPy的安裝和使用
1.4.2scikit-learn的安裝和使用
1.4.3matplotlib的安裝和使用
1.4.4Pandas的安裝和使用

第2章機器學習在實際中的使用
2.1在工作中運用機器學習
2.1.1關于機器學習
2.1.2輸入輸出的格式化
2.1.3分析任務的本質
2.1.4實際問題的分析案例
2.2用樣本數據嘗試有監督學習
2.2.1嘗試分類的案例
2.2.2運用決策樹分類
2.2.3嘗試解決實際問題
2.2.4解決實際問題的注意要點
2.3用樣本數據嘗試無監督學習
2.3.1無監督學習
2.3.2使用樣本嘗試scikit-learn
2.4小結

第3章機器學習基礎理論
3.1數學知識的準備
3.1.1本節的學習流程
3.1.2為什么數學是必要的
3.1.3集合和函數基礎
3.1.4線性代數基礎
3.1.5微分基礎
3.1.6概率統計基礎
3.2機器學習的基礎
3.2.1機器學習的目的
3.2.2技術性的假設和用語
3.2.3有監督學習概述
3.2.4從泛化誤差看有監督學習
3.2.5無監督學習概述
3.3有監督學習
3.3.1分類模型的精度評價
3.3.2邏輯回歸
3.3.3神經網絡
3.3.4梯度提升決策樹
3.4無監督學習
3.4.1混合高斯模型
3.4.2k-均值
3.4.3層次聚類
3.4.4核密度估計
3.4.5t-SNE

第4章數據的整合與處理
4.1機器學習中數據的使用流程
4.2數據的獲取和整合
4.2.1數據結構的理解
4.2.2從結構化數據中讀取數據
4.2.3讀取數據
4.2.4分組聚合
4.2.5時間格式的操作方法
4.2.6合并
4.3數據的格式化
4.3.1數據種類的理解
4.3.2標準化
4.3.3缺省值
4.4非結構化數據的處理
4.4.1文本數據的預處理
4.4.2終端中MeCab的應用
4.4.3Python中MeCab的應用
4.4.4圖片數據的處理
4.5不平衡數據的處理
4.5.1分類問題中的不平衡數據
4.5.2數據不平衡問題
4.5.3一般的處理方法
4.5.4樣本權重的調整
4.5.5降采樣法